KR20230134053A - Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum - Google Patents
Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum Download PDFInfo
- Publication number
- KR20230134053A KR20230134053A KR1020220030739A KR20220030739A KR20230134053A KR 20230134053 A KR20230134053 A KR 20230134053A KR 1020220030739 A KR1020220030739 A KR 1020220030739A KR 20220030739 A KR20220030739 A KR 20220030739A KR 20230134053 A KR20230134053 A KR 20230134053A
- Authority
- KR
- South Korea
- Prior art keywords
- membrane
- fouling
- mbr
- tmp
- early warning
- Prior art date
Links
- 239000012528 membrane Substances 0.000 title claims abstract description 163
- 238000004140 cleaning Methods 0.000 title claims abstract description 89
- 230000007246 mechanism Effects 0.000 claims abstract description 98
- 238000009285 membrane fouling Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000011109 contamination Methods 0.000 claims description 59
- 230000000903 blocking effect Effects 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 38
- 239000000356 contaminant Substances 0.000 description 19
- 239000000126 substance Substances 0.000 description 19
- 238000013459 approach Methods 0.000 description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 13
- 239000011148 porous material Substances 0.000 description 11
- 239000002351 wastewater Substances 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000010865 sewage Substances 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 230000004907 flux Effects 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 239000012466 permeate Substances 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002872 Statistical quality control Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005374 membrane filtration Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 239000002033 PVDF binder Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000000108 ultra-filtration Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 238000000767 Anderson–Darling test Methods 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012510 hollow fiber Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008384 membrane barrier Effects 0.000 description 1
- 238000001471 micro-filtration Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
- B01D65/109—Testing of membrane fouling or clogging, e.g. amount or affinity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/08—Prevention of membrane fouling or of concentration polarisation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1236—Particular type of activated sludge installations
- C02F3/1268—Membrane bioreactor systems
- C02F3/1273—Submerged membrane bioreactors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2321/00—Details relating to membrane cleaning, regeneration, sterilization or to the prevention of fouling
- B01D2321/40—Automatic control of cleaning processes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
Abstract
본 발명은 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 관한 것으로, 보다 상세하게는 MBR 막세정 조기경보방법으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법에 관한 것이다. The present invention relates to an early warning system and method for MBR membrane cleaning based on a cumulative membrane fouling management chart. More specifically, it is an early warning method for MBR membrane cleaning, and a real-time membrane fouling degree prediction model through data-based artificial intelligence machine learning. The first step of generating; A second step of identifying the membrane fouling mechanism based on the prediction model; and a third step of analyzing the membrane fouling mechanism to determine the membrane cleaning cycle early.
Description
본 발명은 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 관한 것이다. The present invention relates to an early warning system and method for MBR membrane cleaning based on the cumulative membrane contamination management chart.
물산업에서 MBR(Membrane Bio-reactor)은 높은 처리 효율을 자랑하지만 막분리 공정을 이용하기 때문에 막오염으로 인한 막세정 비용이 부차적으로 발생하여 이에 운전비용이 상대적으로 높아, 최근 수처리 분야에서는 디지털 혁신에 힘입어 Data-driven 기법에 근간하여 멤브레인 유지보수하여 지속가능한 MBR 운전을 달성할 수 있는 기술 개발에 대한 관심이 증가하고 있다. 하지만 데이터의 측정부터 막오염의 진행사항을 시간별로 예측하여 분석하는 것은 어려운 실정이다. In the water industry, MBR (Membrane Bio-reactor) boasts high treatment efficiency, but since it uses a membrane separation process, membrane cleaning costs due to membrane contamination are secondary, resulting in relatively high operating costs. Recently, digital innovation in the water treatment field has occurred. Thanks to this, interest in developing technology that can achieve sustainable MBR operation by maintaining membranes based on data-driven techniques is increasing. However, it is difficult to predict and analyze the progress of membrane contamination over time from data measurement.
분리 기술인 막 여과는 생명 공학, 제약, 식품 생산, 석유, 담수화 및 수처리 설비 산업과 같은 다양한 영역에서 적용되었다. 폐수 부문의 경우, 막 생물 반응기(MBR)는 하수처리장(WWTP)의 기존 활성 슬러지 장치에 막 여과 모듈을 구현하여 설계되었다. MBR은 높은 폐수 품질, 제거 효율성, 물 재생 및 작은 발자국으로 인해 매력적인 최첨단 폐수 기술이다. 그러나 멤브레인에서 오염 물질을 처리하는 것은 폭기 에너지 및 멤브레인 유지 관리와 같은 MBR 공정의 운영 및 관리(O&M)에서 해결 문제로 일관되게 간주되어 왔다. 지속 가능한 MBR 작동을 달성하기 위해서는 막의 여과 효율을 보존하기 위한 막 오염 제어의 실용적인 전략이 수립되어 한다Membrane filtration, as a separation technology, has been applied in various areas such as biotechnology, pharmaceutical, food production, petroleum, desalination and water treatment equipment industries. For the wastewater sector, a membrane bioreactor (MBR) was designed by implementing a membrane filtration module on an existing activated sludge unit in a wastewater treatment plant (WWTP). MBR is an attractive state-of-the-art wastewater technology due to its high wastewater quality, removal efficiency, water recovery and small footprint. However, handling contaminants in the membrane has consistently been considered a challenge in the operations and management (O&M) of MBR processes, such as aeration energy and membrane maintenance. To achieve sustainable MBR operation, practical strategies of membrane fouling control must be established to preserve the filtration efficiency of the membrane.
화학적 및 물리적 세척은 막 오염을 완화하기 위해 MBR 공정에서 효율적이고 널리 채택된 방법이다. 특히, CIP(cleaning-in-place)는 그 간편성, 효율성 및 비용면에서 일반적으로 선호된다. 그러나 일반적으로 실무자들은 MBR의 통합된 생물학적, 물리적, 화학적 공정으로 인한 복잡한 상호 작용으로 인해 막의 오염 진행 및 슬러지 형성에 대한 충분한 정보 없이 막 세척을 수행했다. 이는 오염 메커니즘에 영향을 미친다. 따라서, 이러한 오래된 오염 제어 기술에는 세 가지 주요 단점이 있습니다. (1) 화학 세척을 자주 수행하여 멤브레인을 분해하고 할로겐화 소독 부산물을 생성하여 수질이 악화된 폐수를 방류하여 인간의 건강을 위협할 수 있다. 대부분의 멤브레인 세척은 (2) 오염 진행의 특정 내부 메커니즘 및 (3) 작동 시간 연장을 위한 적절한 멤브레인 세척과 대상 MBR 플랜트에서 멤브레인의 세척 간격을 실행하기 위한 정확한 시간 식별에 대한 자세한 고려 없이 제조업체가 제공한 일반적인 프로토콜에 따라 기밀로 수행되었다. Chemical and physical cleaning are efficient and widely adopted methods in MBR processes to mitigate membrane fouling. In particular, cleaning-in-place (CIP) is generally preferred for its simplicity, efficiency, and cost. However, practitioners generally performed membrane cleaning without sufficient information about the fouling progression and sludge formation of the membrane due to the complex interactions resulting from the integrated biological, physical, and chemical processes in MBR. This affects the contamination mechanism. Therefore, these older pollution control technologies have three major drawbacks: (1) Frequent chemical cleaning may decompose the membrane and generate halogenated disinfection by-products, thereby discharging wastewater with deteriorated water quality, threatening human health. Most membrane cleanings are provided by manufacturers without detailed consideration of (2) the specific internal mechanisms of fouling progression and (3) identification of the correct time to implement appropriate membrane cleaning for extended operating time and cleaning intervals for membranes in the target MBR plant. It was conducted confidentially according to a general protocol.
따라서 효율적인 멤브레인 세척을 위한 오염 현상과 관련하여 실무자에게 충분하고 포괄적인 정보를 제공할 수 있는 간단한 프로토콜은 지속 가능한 MBR 작동을 달성하기 위한 어려운 문제이다. 일반적으로 기계적 접근은 SMP 및 EPS 농도와 같은 영향 요인으로부터 오염 메커니즘의 물리적 진행을 정교하게 모델링하기 위해 널리 활용된다. 그럼에도 불구하고, 이 접근 방식은 막 오염에 대한 심각한 오염 물질을 측정할 수 없는 대부분의 본격적인 MBR 공장에 적용하기에는 적합하지 않는다. 그런 의미에서 TMP 프로파일 분석을 통한 데이터 기반 접근 방식은 막 청소 및 지속 가능한 MBR 작업을 위한 예측 유지 관리를 위한 효과적인 도구가 될 수 있으며, 이는 진행 상황과 오염 메커니즘을 동시에 식별합니다. 데이터 기반 방법은 산업 프로세스 데이터의 불규칙한 동작을 처리하는 유용한 도구로 승인되었다. 이러한 방법은 여러 산업 영역에서 '디지털 변환'이라는 새로운 기술 전략을 촉진했다. 하수 유틸리티의 디지털 변환 추세는 이미 전 세계 물 문제를 해결하기 위한 혁신적인 솔루션으로 끌렸다. 기계론적 접근 외에도 데이터 기반 접근 방식은 측정된 실험 데이터의 높은 차원성, 비선형성 및 다중 공선성을 처리하여 하수 처리에서 복잡한 물리적, 화학적, 생물학적 현상에 대한 이해를 제공하는 것으로 보고되었다. 여기에서 TMP는 오염 현상의 명확하고 간단한 지표다. 측정된 TMP 데이터 세트의 데이터 기반 분석은 효율적인 예측 유지 관리로 지속 가능한 MBR 운영에 기여했다.Therefore, a simple protocol that can provide practitioners with sufficient and comprehensive information regarding fouling phenomena for efficient membrane cleaning is a challenging problem to achieve sustainable MBR operation. In general, mechanistic approaches are widely utilized to elaborately model the physical progression of fouling mechanisms from influencing factors such as SMP and EPS concentrations. Nevertheless, this approach is not suitable for application in most full-scale MBR plants where significant contaminants for membrane fouling cannot be measured. In that sense, a data-driven approach through analysis of TMP profiles can be an effective tool for membrane cleaning and predictive maintenance for sustainable MBR operations, which simultaneously identifies progress and fouling mechanisms. Data-driven methods have been accepted as useful tools for dealing with irregular behavior in industrial process data. These methods have promoted a new technological strategy called ‘digital transformation’ in several industries. The trend of digital transformation of wastewater utilities has already attracted innovative solutions to solve global water problems. In addition to mechanistic approaches, data-driven approaches have been reported to handle the high dimensionality, nonlinearity, and multicollinearity of measured experimental data, providing understanding of complex physical, chemical, and biological phenomena in sewage treatment. Here, TMP is a clear and simple indicator of pollution phenomenon. Data-driven analysis of the measured TMP dataset contributed to sustainable MBR operation with efficient predictive maintenance.
MBR 시스템에서 막 오염을 식별하기 위해 데이터 기반 접근 방식을 활용하는 데 여러 조사가 수행되었다. 대부분의 이전 연구에서 연구원들은 데이터 기반 방법을 활용하여 오염 예측 모델을 개발했다. 이전 연구들은 MBR의 화학적 세척 간격을 관리하기 위한 TMP 예측 모델의 잠재력을 보여주었다. 그러나 장기 TMP를 예측하면 플럭스(J)가 변하더라도 예측된 TMP 값의 오차가 누적되어 실무자 입장에서 MBR 운영을 안내하는 포괄적인 정보를 제공하지 못했다. 또한 많은 연구에서 실증적 오염 메커니즘 모델을 사용하여 MBR 공정에서 생물학적 오염 현상을 이해하는 데 어려움을 겪었다. 막 차단 법칙의 성공적인 적용을 기반으로 Hermia의 오염 모델과 같은 오염 메커니즘 모델은 다양한 흐름 유형에 대한 막 여과를 설명하는 데 잘 사용되었다. 그럼에도 불구하고 이러한 연구는 다양한 막 오염 단계를 포함하여 실제 MBR 공장에서 MBR 작동의 다양한 조건을 고려할 수 없다.Several investigations have been conducted on utilizing data-driven approaches to identify membrane fouling in MBR systems. In most previous studies, researchers utilized data-driven methods to develop pollution prediction models. Previous studies have shown the potential of TMP prediction models to manage chemical cleaning intervals of MBR. However, when predicting long-term TMP, even if the flux (J) changes, errors in the predicted TMP value accumulate, failing to provide comprehensive information to guide MBR operation from the perspective of practitioners. Additionally, many studies have encountered difficulties in understanding biological fouling phenomena in the MBR process using empirical fouling mechanism models. Based on the successful application of the membrane barrier law, fouling mechanism models such as Hermia's fouling model have been well used to describe membrane filtration for various flow types. Nevertheless, these studies cannot take into account the different conditions of MBR operation in real MBR plants, including various stages of membrane fouling.
이러한 문제를 해결하기 위해 몇몇 연구들은 오염의 변화를 모니터링하고 MBR 작동에서 비정상적인 이벤트를 진단하기 위해 통계적 품질 관리(SQC) 차트를 활용했다. 대표적으로 Kim et al.은 화학적 세척 간격을 결정하기 위해 RLS(Recursive Least Square) 방법에 기반한 동적 오염 지수를 제안했다. 이 프레임워크는 파일럿 MBR 프로세스에서 오염의 적절한 예측/제어를 위해 동적 조건의 변화를 포착하고 설명할 수 있다. 본 모델은 MBR 본격화 공장에서 검증되지 않았고, 제어 한계에 도달하기 전의 오염 현상 진행 상황 등 오염 관련 정보를 종합적으로 제공하지 못하는 실정이다. 결과적으로, 본격적인 MBR 공장에서 지속 가능한 운영을 달성하기 위해서는 효율적으로 처리하기 위한 오염 메커니즘에 대한 포괄적인 정보와 함께 본격적인 MBR 공장에서 멤브레인 세척 시간 간격을 최적화하는 새로운 전략이 시급히 필요하다. To address these issues, several studies have utilized statistical quality control (SQC) charts to monitor changes in contamination and diagnose abnormal events in MBR operation. Representatively, Kim et al. proposed a dynamic contamination index based on the recursive least square (RLS) method to determine chemical cleaning intervals. This framework can capture and describe changes in dynamic conditions for appropriate prediction/control of contamination in pilot MBR processes. This model has not been verified in a full-scale MBR plant, and is unable to provide comprehensive pollution-related information, such as the progress of the pollution phenomenon before reaching the control limit. As a result, new strategies to optimize membrane cleaning time intervals in full-scale MBR plants are urgently needed, along with comprehensive information on fouling mechanisms for efficient treatment, to achieve sustainable operations in full-scale MBR plants.
- 본 발명의 명세서에 정의된 약어 정리- - Summary of abbreviations defined in the specification of the present invention -
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, MBR(Membrane Bio-reactor) 하수처리장에 유입되는 오염물질에 의한 막오염의 증가를 예측하고 막세정 주기를 조기에 인지하여 하수처리시설이 지속가능한 운전을 할 수 있도록 데이터 기반 머신러닝 및 고등통계기법을 활용한 막 세정 조기경보 프로토콜을 제공하는데 그 목적이 있다. Therefore, the present invention was developed to solve the above-described conventional problems. According to an embodiment of the present invention, an increase in membrane contamination due to contaminants flowing into the MBR (Membrane Bio-reactor) sewage treatment plant is predicted and the membrane The purpose is to provide an early warning protocol for membrane cleaning using data-based machine learning and advanced statistical techniques so that sewage treatment facilities can operate sustainably by recognizing the cleaning cycle early.
본 발명의 실시예에 따르면, AI-머신러닝 방법론 중 Kalman filtering, genetic algorithm 등을 활용하여 막오염의 진행사항을 실시간으로 예측하고, 이를 통해 complete blocking, intermediate blocking, cake filtration blocking의 막오염 메커니즘을 이해하여, 막오염의 정도를 정성적으로 파악하여 최종적으로 본 특허에서 개발한 막오염 누적합 관리도(FCUSUM, Fouling cumulative sum) 기반의 조기경보 프로토콜을 제공하는데 그 목적이 있다. According to an embodiment of the present invention, the progress of membrane fouling is predicted in real time by utilizing Kalman filtering and genetic algorithm among AI-machine learning methodologies, and through this, membrane fouling mechanisms of complete blocking, intermediate blocking, and cake filtration blocking are identified. The purpose is to understand, qualitatively identify the degree of membrane fouling, and ultimately provide an early warning protocol based on the membrane fouling cumulative sum (FCUSUM) developed in this patent.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 Kalman filtering을 이용한 실시간 막오염 정도 예측 모델, 실시간 막오염 메커니즘 진단 모델, FCUSUM 기반 막오염 조기 경보 프로토콜으로 나뉘며, 물리적, 화학적, 생물학적으로 복잡한 성상에 의한 막오염의 현상을 data-driven 접근법 기반으로 예측하고 진단할 수 있으며 이에 막오염 세정 주기를 제안함으로써, 기존 운전대비 막사용기간을 45% 증가시킬 수 있는, 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법을 제공하는데 그 목적이 있다. According to an embodiment of the present invention, the detailed technical principles are divided into a real-time membrane fouling degree prediction model using Kalman filtering, a real-time membrane fouling mechanism diagnosis model, and an FCUSUM-based membrane fouling early warning protocol, and has complex physical, chemical, and biological properties. The phenomenon of membrane fouling can be predicted and diagnosed based on a data-driven approach, and by suggesting a membrane fouling cleaning cycle, the membrane fouling accumulation period can be increased by 45% compared to existing operation. MBR is also based on cumulative membrane fouling management. The purpose is to provide an early warning system and method for membrane cleaning.
또한 본 발명의 실시예에 따르면, 머신러닝과, 고등통계기법을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막오염 증대에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능할 수 있는, 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법을 제공하는데 그 목적이 있다. In addition, according to an embodiment of the present invention, it is possible to establish a strategy for increasing membrane contamination according to the concentration of various types of influent contaminants by utilizing machine learning and advanced statistical techniques, so the possibility of commercialization is very high, and environmental/chemical/semiconductor wastewater /The purpose is to provide an early warning system and method for MBR membrane cleaning based on the cumulative membrane contamination management chart that can be expanded to the exhaust industry process and commercialized by domestic and foreign chemical and water treatment companies.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.Meanwhile, the technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly apparent to those skilled in the art from the description below. It will be understandable.
본 발명의 제1목적은 MBR 막오염의 진행상황을 예측하는 방법으로서, TMP를 선형화하는 단계; 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 MBR 막오염 예측방법으로서 달성될 수 있다. The first object of the present invention is a method for predicting the progress of MBR membrane fouling, comprising the steps of linearizing TMP; It can be achieved as an MBR membrane fouling prediction method, which includes the step of generating a real-time membrane fouling prediction model using the Kalman filter using TMP data converted to a mathematical determinant.
본 발명의 제2목적은 MBR 막세정 조기경보방법으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법으로서 달성될 수 있다. The second object of the present invention is an early warning method for MBR membrane cleaning, which includes the first step of generating a real-time prediction model for the degree of membrane contamination through data-based artificial intelligence machine learning; A second step of identifying the membrane fouling mechanism based on the prediction model; And a third step of analyzing the membrane fouling mechanism to determine the membrane cleaning cycle early. It can be achieved as an early warning method for MBR membrane cleaning based on cumulative membrane fouling management, which includes a.
그리고 상기 제1단계는, TMP를 선형화하는 제1-1단계과, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 제1-2단계를 포함하는 것을 특징으로 할 수 있다. And the first step may include a step 1-1 of linearizing the TMP, and a step 1-2 of generating a real-time membrane fouling prediction model using the Kalman filter using the TMP data converted to a mathematical determinant. there is.
또한 상기 제2단계는, Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하는 제2-1단계와 및 상기 모델을 유전자 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 제2-1단계를 포함하는 것을 특징으로 할 수 있다. In addition, the second step includes a step 2-1 of generating complete blocking, intermediate blocking, and cake filtration blocking models based on the Hermia fouling mechanism, and the model It may be characterized by including a 2-1 step of diagnosing the dominant fouling mechanism by optimizing key parameters using a genetic algorithm and fitting them to the TMP data of the corresponding period.
그리고 상기 제3단계는, 막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 할 수 있다. And the third step may be characterized by early determination of the membrane cleaning cycle using the membrane fouling fouling cumulative sum (FCUSUM) chart.
본 발명의 제3목적은 MBR 막세정 조기경보시스템으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 막오염예측부; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 막오염 메커니즘 진단부; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 막세정주기결정부;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템으로서 달성될 수 있다. The third object of the present invention is an MBR membrane cleaning early warning system, which includes a membrane fouling prediction unit that generates a real-time membrane fouling degree prediction model through data-based artificial intelligence machine learning; A membrane fouling mechanism diagnosis unit that determines the membrane fouling mechanism based on the prediction model; And a membrane cleaning cycle determination unit that analyzes the membrane fouling mechanism and determines the membrane cleaning cycle early. It can also be achieved as an early warning system for MBR membrane cleaning based on cumulative membrane fouling management, which includes a membrane fouling mechanism.
그리고 상기 막오염예측부는, TMP를 선형화하고, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 것을 특징으로 할 수 있다. In addition, the membrane fouling prediction unit may be characterized in that it linearizes the TMP and generates a real-time membrane fouling prediction model using the Kalman filter using the TMP data converted to a mathematical determinant.
또한 상기 막오염 메커니즘 진단부는, Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하고, 상기 모델을 유전자 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 것을 특징으로 할 수 있다. In addition, the membrane fouling mechanism diagnosis unit generates complete blocking, intermediate blocking, and cake filtration blocking models based on the Hermia fouling mechanism, and applies the models to a genetic algorithm. ) can be used to optimize key parameters and fit them to the TMP data of the relevant period to diagnose the dominant fouling mechanism.
그리고 상기 막세정주기 결정부는, 막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 할 수 있다. In addition, the membrane cleaning cycle determination unit may be characterized in that it determines the membrane cleaning cycle early using a membrane fouling leakage management chart (FCUSUM, Fouling cumulative sum).
본 발명의 실시예에 따르면, MBR(Membrane Bio-reactor) 하수처리장에 유입되는 오염물질에 의한 막오염의 증가를 예측하고 막세정 주기를 조기에 인지하여 하수처리시설이 지속가능한 운전을 할 수 있도록 데이터 기반 머신러닝 및 고등통계기법을 활용한 막 세정 조기경보 프로토콜을 제공할 수 있다. According to an embodiment of the present invention, the increase in membrane contamination caused by contaminants flowing into the MBR (Membrane Bio-reactor) sewage treatment plant is predicted and the membrane cleaning cycle is recognized early so that the sewage treatment facility can operate sustainably. A membrane cleaning early warning protocol can be provided using data-based machine learning and advanced statistical techniques.
본 발명의 실시예에 따르면, AI-머신러닝 방법론 중 Kalman filtering, genetic algorithm 등을 활용하여 막오염의 진행사항을 실시간으로 예측하고, 이를 통해 complete blocking, intermediate blocking, cake filtration blocking의 막오염 메커니즘을 이해하여, 막오염의 정도를 정성적으로 파악하여 최종적으로 본 특허에서 개발한 막오염 누적합 관리도(FCUSUM, Fouling cumulative sum) 기반의 조기경보 프로토콜을 제공할 수 있다. According to an embodiment of the present invention, the progress of membrane fouling is predicted in real time by utilizing Kalman filtering and genetic algorithm among AI-machine learning methodologies, and through this, membrane fouling mechanisms of complete blocking, intermediate blocking, and cake filtration blocking are identified. By understanding the degree of membrane fouling qualitatively, it is possible to provide an early warning protocol based on the membrane fouling cumulative sum (FCUSUM) developed in this patent.
그리고 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 따르면, 세부 기술 원리로는 Kalman filtering을 이용한 실시간 막오염 정도 예측 모델, 실시간 막오염 메커니즘 진단 모델, FCUSUM 기반 막오염 조기 경보 프로토콜으로 나뉘며, 물리적, 화학적, 생물학적으로 복잡한 성상에 의한 막오염의 현상을 data-driven 접근법 기반으로 예측하고 진단할 수 있으며 이에 막오염 세정 주기를 제안함으로써, 기존 운전대비 막사용기간을 45% 증가시킬 수 있는 효과를 갖는다. And according to the early warning system and method for MBR membrane cleaning based on the cumulative membrane fouling management chart according to an embodiment of the present invention, the detailed technical principles include a real-time membrane fouling degree prediction model using Kalman filtering and a real-time membrane fouling mechanism diagnosis model. It is divided into FCUSUM-based membrane fouling early warning protocols, and the phenomenon of membrane fouling due to complex physical, chemical, and biological properties can be predicted and diagnosed based on a data-driven approach, and a membrane fouling cleaning cycle is proposed, compared to existing operation. It has the effect of increasing the period of use of the membrane by 45%.
또한 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 따르면, 머신러닝과, 고등통계기법을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막오염 증대에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능할 수 있는 장점이 있다. In addition, according to the early warning system and method for MBR membrane cleaning based on the cumulative membrane contamination management chart according to an embodiment of the present invention, membrane contamination is determined according to the concentration of various types of influent contaminants by utilizing machine learning and advanced statistical techniques. It has the advantage of being possible to establish a strategy even for expansion, so the possibility of commercialization is very high, and it can be expanded to environmental/chemical/semiconductor wastewater/exhaust industrial processes, and commercialization is possible for domestic and foreign chemical and water treatment companies.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.Meanwhile, the effects that can be obtained from the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below. You will be able to.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 블록도,
도 2는 풀스케일 MBR 공장에서 멤브레인 세척을 위한 DT-EWP의 제안된 프레임워크,
도 3은 M-시립하수처리장 시스템 구성도,
도 4는 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 시각화,
도 5는 Hermia의 오염 메커니즘에 대한 그래픽 표현: (a) 완전 차단, (b) 중간 차단, (c) 케이크 여과
도 6은 유전 알고리즘(GA)을 사용하여 Hermia의 오염 모델의 매개변수 최적화를 통한 우세한 오염 메커니즘의 재귀 식별,
도 7은 (a) 물리적 현상을 통계 영역으로 변환하기 위해 제안된 FCUSUM 차트(즉, 생물 오손 진행률을 누적 통계로 변환) 및 (b) 풀스케일 MBR 플랜트에서 제안된 멤브레인 세정 경고 규칙의 경고 단계를 나타낸 도면,
도 8은 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 정규 확률 플롯,
도 9는 D3 구간에서 선형화된 오염 물리적 모델의 재귀적 예측: (a) 모델 적합도 값 및 매개변수의 추세, (b) 측정된 TMP 데이터와 예측된 TMP 데이터 간의 비교,
도 10은 D3 구간에서 바이오파울링 예측 모델의 예측 성능: (a) 측정 및 예측된 TMP 데이터, (b) 바이오파울링 예측 모델과 파울링 물리적 모델의 비교,
도 11은 D3 구간에서 지배적인 오염 메커니즘에 대한 온라인 식별 결과: (a) 식별된 지배적인 오염 메커니즘, (b) 측정된 데이터와 모델링된 데이터 간의 오류 비교, (c) 각 오염 모델의 추정된 지배적 지속 시간,
도 12는 제어 한계까지 지배적인 오염 메커니즘의 데이터 기반 온라인 진단, D3 간격의 예측 범위 통합,
도 13은 D3 구간의 FCUSUM 차트를 기반으로 하는 멤브레인 세정 경고 규칙의 조기 경고 결과: (a) TMP 프로필, (b) 1차 경고, (c) 2차 경고, (d) 최종 경고,
도 14는 간격 D3 동안 온라인 경고 시스템의 여러 수준에 대해 사용 가능한 작동 기간 시각화: (a) 1차 경고, (b) 2차 경고, (c) 최종 경고.The following drawings attached to this specification illustrate preferred embodiments of the present invention, and serve to further understand the technical idea of the present invention along with the detailed description of the invention, so the present invention is limited only to the matters described in such drawings. It should not be interpreted as such.
1 is a block diagram of an early warning system for MBR membrane cleaning based on the cumulative membrane contamination management chart according to an embodiment of the present invention;
Figure 2 shows the proposed framework of DT-EWP for membrane cleaning in a full-scale MBR plant;
Figure 3 is a diagram of the M-municipal sewage treatment plant system configuration;
Figure 4 is a visualization of measured and corrected TMP data for (a) membrane A, (b) membrane B, (c) membrane C, and (d) membrane D;
Figure 5 is a graphical representation of the fouling mechanisms in Hermia: (a) complete blocking, (b) intermediate blocking, and (c) cake filtration.
Figure 6. Recursive identification of dominant fouling mechanisms through parameter optimization of Hermia's fouling model using genetic algorithm (GA);
Figure 7 shows (a) the proposed FCUSUM chart for converting physical phenomena into statistical domains (i.e., converting biofouling progression rates into cumulative statistics) and (b) the warning steps of the proposed membrane cleaning warning rule in a full-scale MBR plant. drawing showing,
Figure 8 shows normal probability plots of measured and corrected TMP data for (a) membrane A, (b) membrane B, (c) membrane C, and (d) membrane D;
Figure 9 shows the recursive prediction of the linearized pollution physical model in the D3 interval: (a) trends in model fit values and parameters, (b) comparison between measured and predicted TMP data;
Figure 10 shows the prediction performance of the biofouling prediction model in the D3 section: (a) measured and predicted TMP data, (b) comparison of the biofouling prediction model and the fouling physical model;
Figure 11 shows the online identification results for the dominant contamination mechanisms in section D3: (a) identified dominant contamination mechanisms, (b) error comparison between measured and modeled data, (c) estimated dominant for each contamination model. duration,
Figure 12 shows data-driven online diagnosis of the dominant fouling mechanism up to the control limit, incorporating the prediction range of the D3 interval;
Figure 13 shows the early warning results of the membrane cleaning warning rule based on the FCUSUM chart for section D3: (a) TMP profile, (b) first warning, (c) second warning, (d) final warning,
Figure 14 visualizes the available operational periods for different levels of the online warning system during interval D3: (a) first warning, (b) second warning, (c) final warning.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be easily understood through the following preferred embodiments related to the attached drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided so that the disclosed content will be thorough and complete and so that the spirit of the present invention can be sufficiently conveyed to those skilled in the art.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.In this specification, when an element is referred to as being on another element, it means that it may be formed directly on the other element or that a third element may be interposed between them. Also, in the drawings, the thickness of components is exaggerated for effective explanation of technical content.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.Embodiments described herein will be explained with reference to cross-sectional views and/or plan views, which are ideal illustrations of the present invention. In the drawings, the thicknesses of films and regions are exaggerated for effective explanation of technical content. Therefore, the shape of the illustration may be changed depending on manufacturing technology and/or tolerance. Accordingly, embodiments of the present invention are not limited to the specific form shown, but also include changes in form produced according to the manufacturing process. For example, an area shown as a right angle may be rounded or have a shape with a predetermined curvature. Accordingly, the regions illustrated in the drawings have properties, and the shapes of the regions illustrated in the drawings are intended to illustrate a specific shape of the region of the device and are not intended to limit the scope of the invention. In various embodiments of the present specification, terms such as first and second are used to describe various components, but these components should not be limited by these terms. These terms are merely used to distinguish one component from another. Embodiments described and illustrated herein also include complementary embodiments thereof.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for describing embodiments and is not intended to limit the invention. As used herein, singular forms also include plural forms, unless specifically stated otherwise in the context. As used in the specification, 'comprises' and/or 'comprising' does not exclude the presence or addition of one or more other elements.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.In describing specific embodiments below, various specific details have been written to explain the invention in more detail and to aid understanding. However, a reader with sufficient knowledge in the field to understand the present invention can recognize that it can be used without these various specific details. In some cases, it is mentioned in advance that when describing the invention, parts that are commonly known but are not significantly related to the invention are not described in order to prevent confusion without any reason in explaining the invention.
이하에서는 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 ＭＢＲ 막세정을 위한 조기경보시스템의 기능, 구성 및 방법에 대해 설명하도록 한다. 도 1은 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 블록도를 도시한 것이다. Hereinafter, the function, configuration, and method of the early warning system for MBR membrane cleaning based on the cumulative membrane contamination management chart according to an embodiment of the present invention will be described. Figure 1 shows a block diagram of an early warning system for MBR membrane cleaning based on the cumulative membrane contamination management chart according to an embodiment of the present invention.
본 발명의 실시예에서는 DT-EWP는 KF(Kalman Filtering), GA(Genetic Algorithm), A/S 등의 데이터 기반 방법론을 활용하여 바이오 파울링 예측 모델, 파울링 메커니즘 식별 모델, 멤브레인 세척 경고 규칙으로 구성된다. 막오염 누적합 관리도(Fuling-cumulative sum(FCUSUM)) 관리 차트는 WWTP 운영자를 위한 생물학적 오염 현상에 관한 정보를 포괄적으로 제공한다. 그런 다음, DT-EWP 모델은 한국의 본격적인 MBR 공장에서 측정된 데이터 세트에 의해 검증되었다.In an embodiment of the present invention, DT-EWP utilizes data-based methodologies such as KF (Kalman Filtering), GA (Genetic Algorithm), and A/S to generate a biofouling prediction model, a fouling mechanism identification model, and a membrane cleaning warning rule. It is composed. The Fuling-cumulative sum (FCUSUM) control chart provides comprehensive information on biological fouling events for WWTP operators. Then, the DT-EWP model was validated by a data set measured at a full-scale MBR plant in Korea.
따라서 본 발명에 따른 주요 기여는 다음과 같다. Therefore, the main contributions of the present invention are as follows.
1. 본 발명에서는 KF 알고리즘과 오염물리적 모델을 기반으로 바이오파울링 진행에 대한 재귀적 온라인 예측 모델을 설계했다. 제안된 바이오파울링 예측 모델은 측정된 TMP 데이터의 전반적인 경향을 따를 수 있고, TMP 값의 이동을 포함하여 파울링 물리적 모델의 지도하에 시간 기반 파울링 특성을 높은 정확도로 재귀적으로 식별할 수 있다. 그런 다음 수용 가능한 예측 성능은 실무자가 TMP 제어 한계를 초과하기 전에 오염 물질 축적을 사전에 완화하고 막 유지 관리를 위해 MBR을 작동하도록 지원할 수 있다.1. In the present invention, a recursive online prediction model for biofouling progress was designed based on the KF algorithm and the pollution physics model. The proposed biofouling prediction model can follow the overall trend of measured TMP data and recursively identify time-based fouling characteristics with high accuracy under the guidance of the fouling physical model, including the shift of TMP values. . Acceptable predictive performance can then assist practitioners to proactively mitigate contaminant accumulation before TMP control limits are exceeded and operate the MBR for membrane maintenance.
2. 본 발명에서는 생물학적 오염 과정에서 온라인 TMP 데이터에 대한 지배적인 오염 메커니즘을 재귀적으로 진단하기 위해 Hermia의 오염 모델과 GA를 통합한 오염 메커니즘 식별 모델을 개발했다. 제안된 식별 모델은 TMP 예측 모델의 결과와 관련된 다양한 주요 오염 메커니즘을 추적할 수 있다. 따라서 데이터 기반 진단은 오염 진행의 불규칙한 동작을 처리하여 MBR 프로세스의 생물 오염 현상에 대한 포괄적인 정보를 제공하는 유용하고 간단한 프레임워크이다.2. In the present invention, we developed a contamination mechanism identification model that integrates Hermia's contamination model and GA to recursively diagnose the dominant contamination mechanism for online TMP data during the biological contamination process. The proposed identification model can track various key contamination mechanisms associated with the results of the TMP prediction model. Therefore, data-based diagnostics is a useful and simple framework to provide comprehensive information about biofouling phenomena in MBR processes by handling the irregular behavior of the fouling process.
3. 제안된 FCUSUM 방법을 기반으로 멤브레인 세정(세척) 경고 규칙을 개발하여 각 MBR 작동 시간에 온라인 파울링 진행 상황을 모니터링했다. 개발된 FCUSUM 차트는 통계적 이동으로 해석하여 오염 현상의 TMP 점프를 식별할 수 있고 임계 한계를 초과하는 임계 모멘트를 결정하여 지배적인 오염 메커니즘의 전환을 신속하게 인식할 수 있음을 확인했다. 또한 이 통계적 접근 방식은 청소 시간을 매우 정확하게 계산하여 MBR 실무자에게 남은 작업 시간을 제공한다. 따라서 FCUSUM 기반 DT-EWP는 MBR 플랜트가 예측 유지보수 원칙에 따라 운영될 수 있도록 한다.3. Based on the proposed FCUSUM method, a membrane cleaning (washing) warning rule was developed to monitor the online fouling progress at each MBR operating time. It was confirmed that the developed FCUSUM chart can be interpreted as a statistical shift to identify TMP jumps of fouling phenomena and to quickly recognize transitions in the dominant fouling mechanism by determining critical moments that exceed critical limits. Additionally, this statistical approach calculates cleaning time very accurately, providing MBR practitioners with the remaining work time. Therefore, FCUSUM-based DT-EWP allows MBR plants to operate according to predictive maintenance principles.
4. TMP 예측 모델, 막오염 메커니즘 식별 모델 및 막 세정 경고 규칙으로 구성된 제안된 다중 부분, 데이터 기반 DT-EWP 방법이 운영자가 본격적인 MBR 운영에서 예측 유지 보수를 활용할 수 있음을 보여준다. 따라서 생물 오손 현상에 대한 복잡한 이해 없이 멤브레인 기술을 활용하는 다양한 유형의 산업으로 확장될 수 있다.4. It is shown that the proposed multi-part, data-driven DT-EWP method, consisting of a TMP prediction model, a membrane fouling mechanism identification model, and a membrane cleaning warning rule, allows operators to utilize predictive maintenance in full-scale MBR operations. Therefore, it can be expanded to various types of industries utilizing membrane technology without a complex understanding of biofouling phenomena.
도 2는 MBR 플랜트에서 멤브레인 오염에 대한 예측, 진단 및 경보를 생성하기 위해 DT-EWP를 개발하기 위해 제안된 프레임워크를 도시한 것이다. DT-EWP는 4단계로 나눌 수 있다: 1) 바이오파울링 현상과 관련된 데이터 획득, 2) KF 접근법을 이용한 다단계 및 반복적 온라인 예측을 위한 바이오파울링 예측 모델 개발, 3) 파울링의 온라인 식별 Hermia의 오염 모델과 GA를 사용한 메커니즘, 그리고 4) FCUSUM 관리 차트에 기반한 멤브레인 세척 경고 규칙. 제안된 프레임워크를 검증하기 위해 사례 연구로 한국의 본격적인 MBR 공장에 대해 DT-EWP 모델을 구현했다.Figure 2 illustrates the proposed framework for developing DT-EWP to generate predictions, diagnostics and alerts for membrane fouling in MBR plants. DT-EWP can be divided into four steps: 1) acquisition of data related to biofouling phenomenon, 2) development of biofouling prediction model for multi-step and iterative online prediction using KF approach, 3) online identification of fouling Hermia. ’s fouling model and mechanism using GA, and 4) membrane cleaning warning rules based on FCUSUM control chart. To verify the proposed framework, the DT-EWP model was implemented on a full-scale MBR plant in Korea as a case study.
본 발명의 실시예는 M-city에 위치한 풀스케일 MBR 플랜트의 시립(M) 폐수 처리(M-WWTP)에서 연구되었다. M-WWTP의 기반 시설은 15.1km의 하수 시스템과 1개의 MBR(Membrane Bioreactor) 플랜트를 포함하여 최대 16,000m3/day의 용량으로 운영되도록 설계되었다. 도 3은 목표 M-WWTP의 위치와 풀스케일 MBR 플랜트의 상세를 보여준다. M-WWTP는 도 3과 같이 무산소 반응기, 호기성 반응기 및 MBR로 구성된 4개의 MBR 공정(즉, MBR 트레인 A~D)의 병렬 통합으로 유입수를 처리하도록 설계되었다. M-WWTP는 각 MBR의 막 반응기에 PVDF(Polyvinylidene fluoride) 침지 중공사막을 사용했다. PVDF 멤브레인의 공칭 기공 크기는 0.22 μm이며 미세여과(microfiltration) 및 ultra-filtration(UF)에 사용되었다. 멤브레인의 사용 가능한 표면적은 1,400m2이고 평균 투과수는 725.40L/m2h kPa이다.Embodiments of the present invention were studied in municipal (M) wastewater treatment (M-WWTP) at a full-scale MBR plant located in M-city. M-WWTP's infrastructure is designed to operate with a capacity of up to 16,000 m3/day, including 15.1 km of sewage system and one Membrane Bioreactor (MBR) plant. Figure 3 shows the location of the target M-WWTP and details of the full-scale MBR plant. The M-WWTP was designed to treat influent through the parallel integration of four MBR processes (i.e., MBR trains A to D) consisting of an anoxic reactor, an aerobic reactor, and MBR, as shown in Figure 3. M-WWTP used PVDF (polyvinylidene fluoride)-immersed hollow fiber membrane in the membrane reactor of each MBR. The nominal pore size of the PVDF membrane is 0.22 μm and was used for microfiltration and ultra-filtration (UF). The usable surface area of the membrane is 1,400 m 2 and the average permeate is 725.40 L/m 2 h kPa.
풀스케일 MBR 플랜트는 위생 하수 시스템에서 수집된 도시, 상업 및 농업 폐수를 처리하기 위해 운영된다. M-WWTP로 유입되는 유량은 10,067 m3/일에서 18,477 m3/일 사이이며 평균 15,000 m3/일이다. 또한 평균 화학적 산소 요구량(COD), 부유 물질(SS) 및 총 질소(TN) 농도는 각각 360, 173 및 52 mg/l였다. 환경부(MOE)에서 제정한 방류수 수질기준을 만족시키기 위해 각 MBR 모듈은 혼합액 부유고형물(MLSS) 6,040~10,210mg/L의 농도와 24일의 슬러지 체류시간(SRT)을 유지하면서 운전하고 있다. 유입 유량의 100% 및 470%를 각각 내부 및 슬러지 재활용 비율로 사용한다.Full-scale MBR plants operate to treat municipal, commercial and agricultural wastewater collected from sanitary sewer systems. The flow rate into M-WWTP ranges from 10,067 m 3 /day to 18,477 m 3 /day, with an average of 15,000 m 3 /day. Additionally, the average chemical oxygen demand (COD), suspended solids (SS), and total nitrogen (TN) concentrations were 360, 173, and 52 mg/l, respectively. In order to meet the effluent water quality standards established by the Ministry of Environment (MOE), each MBR module is operated while maintaining a mixed liquor suspended solids (MLSS) concentration of 6,040 to 10,210 mg/L and a sludge retention time (SRT) of 24 days. 100% and 470% of the inlet flow rate are used as internal and sludge recycling rates, respectively.
또한 MBR은 18L/m2/hr의 일정한 유량 모드에서 여과 주기를 투과 15분, 역세 0.5분으로 계획하여 오수 축적에도 불구하고 처리된 폐수를 지속적으로 투과시키는 방식으로 작동합니다. 현재 M-WWTP는 평균 제거효율 95.9%를 유지하면서 운영되고 있으며, COD, SS, TN 및 TP의 각각 99.83%, 86.00%, 99.02%이다. M-WWTP 방류수 내 COD, SS, TN, TP의 평균 농도는 14.76 mg/L, 0.3 mg/L, 7.3 mg/L, 0.041 mg/L로 표준기준을 만족하였다.Additionally, the MBR operates in a constant flow mode of 18 L/m 2 /hr, with a filtration cycle of 15 minutes permeation and 0.5 minutes backwash, allowing continuous permeation of treated wastewater despite sewage accumulation. Currently, M-WWTP is operated while maintaining an average removal efficiency of 95.9%, which is 99.83%, 86.00%, and 99.02% for COD, SS, TN, and TP, respectively. The average concentrations of COD, SS, TN, and TP in the M-WWTP effluent were 14.76 mg/L, 0.3 mg/L, 7.3 mg/L, and 0.041 mg/L, satisfying the standard criteria.
생물 반응기에서 공기는 혼합액을 순환시키기 위해 거친 기포로 주기적으로 공급되었다. 또한 멤브레인의 생물학적 오염을 최소화하기 위해 물리적 세척 역할을 제공할 수 있다. TMP를 한계치를 초과하도록 증가시켰지만 물리적 세척으로 제거되지 않은 오염물질을 처리하기 위해 화학적 세척, 특히 CIP를 수행하고 있다. 목표 M-WWTP는 화학 세정에 대한 제어 한계 수준을 45kPa로 설정했다. 대상 MBR 플랜트의 설계 및 운영 특성은 표 1에 요약되어 있다.In the bioreactor, air was periodically supplied with coarse air bubbles to circulate the mixed liquid. It can also provide a physical cleaning role to minimize biological fouling of the membrane. Chemical cleaning, especially CIP, is being performed to treat contaminants that have increased the TMP beyond the limit but have not been removed by physical cleaning. The target M-WWTP set the control threshold level for chemical cleaning at 45 kPa. The design and operating characteristics of the subject MBR plants are summarized in Table 1.
[표 1] M-WWTP에서 풀스케일 MBR 플랜트의 운영 특성[Table 1] Operational characteristics of full-scale MBR plant in M-WWTP
DT-EWP 1단계: 바이오파울링 관련 데이터 수집DT-EWP Step 1: Biofouling-related data collection
총 MBR 데이터 세트는 TMP, 플럭스 및 온도를 포함하며 2010년 1월 1일부터 2018년 12월 31일까지 MBR 열차의 센서를 통해 온라인 측정으로 수집된 평균 일일 데이터를 포함한다. 도 4는 측정된 지속시간에 대한 각 멤브레인의 25℃(TMPj,corr)에서 보정된 TMP와 TMP를 보여준다. 멤브레인의 투과성은 온도에 따른 물의 점도와 관련이 있다. 멤브레인 오염 정도를 조사하기 위해 온도 보정 계수(TCF)를 도입하여 수학식 1과 2와 같이 25ºC로 보정된 TMP(TMPj,corr)를 계산했다.The total MBR data set includes TMP, flux and temperature and includes average daily data collected by online measurements through sensors on MBR trains from January 1, 2010 to December 31, 2018. Figure 4 shows the corrected TMP and TMP at 25°C (TMP j,corr ) for each membrane for the measured duration. The permeability of the membrane is related to the viscosity of water depending on temperature. To investigate the degree of membrane fouling, the temperature correction factor (TCF) was introduced to calculate the TMP (TMP j,corr ) corrected to 25ºC as shown in Equations 1 and 2.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
여기서, Tc는 Kelvins로 25℃를 의미하고, 매개변수 a와 b는 각각 247.8과 140이며, 이는 물의 동적 점도의 온도 의존성을 고려하기 위해 도입되었다.Here, T c means 25°C in Kelvins, and the parameters a and b are 247.8 and 140, respectively, which were introduced to consider the temperature dependence of the dynamic viscosity of water.
시각화된 결과에서 모든 트레인은 측정된 TMP(즉, 원래 TMP)와 바이오파울링 진행의 서로 다른 프로파일을 나타낸다. 도 4에서 수직 점선은 막 오염을 완화하기 위해 CIP가 수행된 시기를 나타낸다. MBR 트레인 A(Membrane A)에서 멤브레인의 CIP는 12회에 걸쳐 가장 빈번하게 수행되었다. 순차적으로 Membrane C의 화학세정은 5회, CIP는 Membrane B와 D의 경우 4회 실시하였다. 이는 M-city에서 유입되는 분산유입물을 처리하기 위해 동일한 구성의 MBR 트레인을 각각 도입하였음을 의미한다. 그러나 도 3에서 생물학적 오손 현상은 각 막에 대해 개별적으로 축적되지 않는다. 본 발명의 실시예에서는 CIP 기록의 데이터를 기반으로 각 열차의 운행간격을 분할하였고, 각 운행간격의 명칭은 도 4와 같이 표기하였다(예를 들어, 'A1'은 열차용 MBR의 첫 번째 운행간격임).In the visualized results, all trains represent different profiles of measured TMP (i.e. original TMP) and biofouling progression. The vertical dashed lines in Figure 4 indicate when CIP was performed to alleviate membrane fouling. In MBR train A (Membrane A), CIP of the membrane was most frequently performed over 12 rounds. Sequentially, chemical cleaning of Membrane C was performed 5 times, and CIP was performed 4 times for Membrane B and D. This means that each MBR train of the same configuration was introduced to treat the dispersed inflow from M-city. However, in Figure 3, biofouling events do not accumulate individually for each membrane. In an embodiment of the present invention, the operation interval of each train was divided based on the data of the CIP record, and the name of each operation interval was indicated as shown in Figure 4 (for example, 'A1' is the first operation of the MBR for trains) interval).
또한, 도 4는 TMPcorr가 모든 MBR 트레인에서 측정된 TMP와 다른 경향을 보임을 보여준다. 측정된 TMP는 150일 전과 280일 후에 TMPcorr에 비해 급격히 증가한다. 이러한 기간은 MBR 작동에 대한 온도의 영향으로 나타나는 계절의 변화(즉, 겨울에서 여름으로 또는 여름에서 겨울로)에 해당한다. 온도 효과로 인해 유지 온도가 낮을수록 물의 점도가 높아져 TMP가 증가한다. 따라서 TMP는 낮은 온도 기간 동안 증가합니다. TMP 데이터의 이러한 경향은 생물학적 오염 과정에서 비롯된 것이 아니다. 이는 막 내부 또는 위에 오염 물질이 축적되는 자연적인 과정이다. 이는 특히 멤브레인 A의 경우 물 점도를 고려하지 않아 세척이 너무 자주 수행되었음을 의미한다. 결과적으로 TMPcorr 매개 변수를 TMP 데이터에 적용하여 M-WWTP에서 DT-EWP를 개발했다.Additionally, Figure 4 shows that TMP corr shows a different trend from the TMP measured in all MBR trains. The measured TMP increases rapidly compared to TMP corr before 150 days and after 280 days. These periods correspond to seasonal changes (i.e. from winter to summer or from summer to winter) due to the effect of temperature on MBR operation. Due to temperature effects, the lower the holding temperature, the higher the viscosity of the water, increasing the TMP. Therefore, TMP increases during low temperature periods. This trend in TMP data does not result from biological contamination processes. This is a natural process in which contaminants accumulate within or on the membrane. This means that, especially in the case of membrane A, cleaning was performed too frequently due to water viscosity not being taken into account. As a result, DT-EWP was developed from M-WWTP by applying TMP corr parameters to TMP data.
DT-EWP 2단계: 바이오파울링 예측 모델 개발DT-EWP Step 2: Development of biofouling prediction model
TMP는 일정한 플럭스 작동 하에서 MBR 공정에서 멤브레인의 오염 지수로 간주된다. TMP 값은 전형적인 지수 곡선을 따르는 경향이 있는데, 이는 초기 단계에서는 천천히 증가하다가 오염 물질의 축적에 의해 생성되는 여과가 끝날 때쯤에는 급격히 증가한다. 오염 물질이 케이크 층 형성에 들어갈 때 오염 물질의 침착은 막의 다공성 감소를 유발하고 투과성에 대한 저항은 기하급수적으로 증가한다. 이러한 멤브레인의 오염 과정은 TMP의 급격한 증가로 통합되며, 이를 TMP 점프라고 하며, 이는 MBR 플랜트의 장기 운영에서 널리 관찰된다. Geng et al.는 MBR 공장에서 생물학적 오염 과정에 대한 물리적 모델이 TMP와 여과 시간 사이의 단순한 지수 관계라고 제안했다.TMP is considered as the fouling index of the membrane in MBR process under constant flux operation. TMP values tend to follow a typical exponential curve, increasing slowly in the initial stages and then increasing rapidly towards the end of filtration, which is created by the accumulation of contaminants. When contaminants enter the cake layer formation, their deposition causes a decrease in the porosity of the membrane and the resistance to permeability increases exponentially. This membrane fouling process is integrated into a rapid increase in TMP, which is called TMP jump, and is widely observed in long-term operation of MBR plants. Geng et al. proposed that the physical model for the biological fouling process in MBR plants is a simple exponential relationship between TMP and filtration time.
[수학식 3][Equation 3]
여기서 TMP(kPa)는 초기 TMP(즉, 여과 시간은 0(t = 0)임)로 가정하고, 오염 과정 시작을 예상하고 kt는 시간 기반 오염 계수(1/일)로 다음을 나타낸다. 생물 오손 과정의 특성, 오염 물리적 모델의 매개변수는 제어 한계에 도달할 때까지의 여과 런타임 예측과 같은 생물학적 오염 프로세스에 대한 간결한 정보를 제공할 수 있다. 그러나 실제 공장에서 측정된 데이터는 불특정 교란, 인적 오류 및 오염된 센서에 의한 측정 오류로 인해 기하급수적 추세를 적절하게 따르지 않는다.where TMP (kPa) is assumed to be the initial TMP (i.e., the filtration time is 0 (t = 0)), expected to start the fouling process, and k t is the time-based fouling coefficient (1/day), which represents: The characteristics of the biofouling process, and the parameters of the fouling physical model, can provide concise information about the biological fouling process, such as predicting the filtration runtime until the control limit is reached. However, data measured in actual factories do not properly follow exponential trends due to measurement errors caused by unspecified disturbances, human errors, and contaminated sensors.
KF(카만필터링)는 데이터 세트의 무작위 변동 및 불확실성을 처리하는 강력한 기능으로 인해 생물학적 오염 과정을 추적하는 데 채택되었다. KF는 선형 시스템의 내부 상태를 재귀적으로 추정하기 위해 개발되었다. 수학식 3의 오염물리적 모델은 비선형 방정식을 기반으로 하므로 선형화를 수행하여 비선형 오염 모델을 선형 동적 시스템으로 변환하였다. 따라서 바이오파울링 예측 모델은 바이오파울링 현상의 비선형 거동을 설명하기 위해 상태 공간 모델을 기반으로 TMP를 재귀적으로 예측하도록 설계되었다. Kaman filtering (KF) has been adopted to track biological contamination processes due to its powerful ability to handle random fluctuations and uncertainty in data sets. KF was developed to recursively estimate the internal state of a linear system. Since the pollution physical model in Equation 3 is based on nonlinear equations, linearization was performed to convert the nonlinear pollution model into a linear dynamic system. Therefore, the biofouling prediction model was designed to recursively predict TMP based on a state space model to explain the nonlinear behavior of the biofouling phenomenon.
[수학식 4][Equation 4]
DT-EWP 3단계: 오염 메커니즘 변형의 온라인 식별DT-EWP Step 3: Online identification of contamination mechanism variants.
막 모델링에 널리 사용되는 Hermia의 오염 메커니즘 모델은 막 작동 방식의 막 작동 모드를 위해 개발되었다. 이 모델은 다음과 같은 몇 가지 기본 가정을 고려했다. 1) 멤브레인은 평행하고 원통형인 기공과 균일한 직경을 가지며 2) 오염 물질은 균일한 입자이다. Hermia의 막오염 모델은 독특한 막오염 메커니즘에 대한 네 가지 간단한 수학적 표현을 설명했다. 본 발명의 실시예에서 막(멤브레인) 오염은 도 5와 같이 온라인 TMP 데이터에 대한 지배적인 막오염 메커니즘을 재귀적으로 식별하기 위해 Hermia의 오염 모델 중 3개에 의해 모델링되었다. Hermia's fouling mechanism model, which is widely used in membrane modeling, was developed for the membrane mode of operation of the membrane molecule. This model took into account several basic assumptions: 1) The membrane has parallel, cylindrical pores and uniform diameter, and 2) the contaminants are uniform particles. Hermia's membrane fouling model described four simple mathematical expressions for the unique membrane fouling mechanism. In an embodiment of the present invention, membrane fouling was modeled by three of Hermia's fouling models to recursively identify the dominant membrane fouling mechanism for online TMP data, as shown in Figure 5.
본 발명의 실시예에서는 3개의 고전적인 오염 모델을 측정 데이터에 재귀적으로 적합시키고 각 오염 모델의 적합 매개변수(즉, hb, hi, hc)를 유전 알고리즘(genetic algorithm)에 의해 측정값과 모델링된 값 사이의 오차를 최소화하도록 튜딩하였다. GA는 전체 매개변수 공간에서 최적의 매개변수를 자동으로 찾는 휴리스틱 최적화 알고리즘이다. 막오염 메커니즘 모델을 최적화하기 위한 목적 함수는 다음과 같이 표현된다.In an embodiment of the present invention, three classical contamination models are recursively fitted to the measurement data, and the fitting parameters (i.e., h b , h i , h c ) of each contamination model are measured by a genetic algorithm. Tuning was done to minimize the error between the value and the modeled value. GA is a heuristic optimization algorithm that automatically finds optimal parameters in the entire parameter space. The objective function for optimizing the membrane fouling mechanism model is expressed as follows.
[수학식 5][Equation 5]
여기서 P는 TMP 값이고 P0은 초기 TMP 값이다. 특히, 생물학적 오염 공정의 온라인 데이터에서 지배적인 오염 메커니즘을 식별하기 위해 최상의 성능을 유지하기 위해 매개변수가 연속적으로 업데이트된다. 특히, 새로운 시간 단계 j + α(즉, )에서 최적화된 모델의 매개변수는 j(Hj)에서 이전 최적화된 모델보다 모델 호환성이 더 좋다. Hermia의 모델과 GA를 사용하여 오염 메커니즘의 재귀적 온라인 식별 절차는 도 6에 나와 있다.Here, P is the TMP value and P 0 is the initial TMP value. In particular, the parameters are continuously updated to maintain the best performance for identifying the dominant fouling mechanisms in online data of biological fouling processes. In particular, the new time step j + α (i.e. ), the parameters of the optimized model have better model compatibility than the previously optimized model in j(H j ). The recursive online identification procedure of contamination mechanisms using Hermia's model and GA is shown in Figure 6.
도 5(a)는 완전 기공 차단 메커니즘의 오염 현상을 그래프로 나타낸다. 이것은 MBR 작동 시간(t)에 따라 오염 물질이 막 표면에 부착되어 막의 기공을 막는 막 오염의 초기 단계이다. 압력에 대한 완전 차단 메커니즘(Complete blocking mechanism)은 다음과 같이 표현될 수 있다.Figure 5(a) graphically shows the contamination phenomenon of the complete pore blocking mechanism. This is the initial stage of membrane fouling, where contaminants attach to the membrane surface and block the membrane pores, depending on the MBR operating time (t). The complete blocking mechanism for pressure can be expressed as follows.
[수학식 6][Equation 6]
여기서, P0는 TMP의 초기값이고, hb는 특정 오염 사례에서 조정될 완전한 차단 메커니즘 모델의 매개변수이다.Here, P 0 is the initial value of TMP, and h b is a parameter of the complete blocking mechanism model to be adjusted in specific contamination cases.
도 5(b)에 표시된 중간 차단 매커니즘(Intermediate blocking mechanism)은 완전 차단과 케이크 여과 사이의 중간 메커니즘이다. 이 상태에서 오염물질은 기공을 막고 있는 다른 오염 입자에 부분적으로 축적되는 동시에 막의 기공도 밀봉한다. 생물 오손 현상은 멤브레인의 사용 가능한 영역이 수학식 7에 따라 기하급수적으로 감소함을 나타낸다. 수학식 7에서 J0는 자속의 초기값이고 hi는 중간 차단 모델의 적합 매개변수입니다.The intermediate blocking mechanism shown in Figure 5(b) is an intermediate mechanism between complete blocking and cake filtration. In this state, contaminants partially accumulate on other contaminant particles that block the pores, while also sealing the pores in the membrane. The phenomenon of biofouling indicates that the usable area of the membrane decreases exponentially according to equation (7). In Equation 7, J 0 is the initial value of magnetic flux and h i is the fitting parameter of the intermediate blocking model.
[수학식 7][Equation 7]
최종 오염 메커니즘으로 케이크 여과 차단 메커니즘(Cake filtration blocking mechanism)은 막(멤브레인)표면에 케이크 층 형성에 의해 발생하는 침투에 대한 수력학적 저항을 나타낸다. 케이크 층의 침착에 의해 케이크가 전체 멤브레인 표면적을 덮는 것으로 가정한다. 또한, 제형화된 케이크는 도 5(c)와 같이 멤브레인의 기공에 침착될 수 있다. 입자가 침착됨에 따라 기공이 수축되고 멤브레인의 투과성이 감소한다. 이 모델은 다음과 같이 나타낼 수 있다.As a final contamination mechanism, the cake filtration blocking mechanism represents the hydraulic resistance to infiltration caused by the formation of a cake layer on the membrane surface. The cake is assumed to cover the entire membrane surface area by deposition of the cake layer. Additionally, the formulated cake can be deposited into the pores of the membrane, as shown in Figure 5(c). As particles deposit, pores constrict and the permeability of the membrane decreases. This model can be expressed as follows:
[수학식 8][Equation 8]
여기서, hc는 케이크 여과 차단 메커니즘 모델의 매개변수이다.Here, h c is the parameter of the cake filtration barrier mechanism model.
DT-EWP 4단계: FCUSUM 기반 막세정 경고 규칙DT-EWP Step 4: FCUSUM-based membrane cleaning warning rule
막 오염 분석에 특화된 단변수 모니터링 기법인 FCUSUM(Fouling-cumulative sum)은 제안된 경고 프로토콜의 마지막 부분으로 막 세정 경고 규칙을 제안하기 위해 개발되었다(도 2 참조). FCUSUM은 오염 예측과 앞서 언급한 주요 메커니즘을 통합하여 오염 현상의 공정 변동성을 모니터링하도록 설계되었다. 이 오염 모니터링 방법은 누적 합계(CUSUM) 차트의 아이디어를 기반으로 개발되었다. CUSUM은 Shewhart 관리도의 확장이며 시간이 지남에 따라 통제 불능(OC)이 될 가능성이 있고 전체 샘플 포인트 시퀀스에서 큰 이동을 생성하는 프로세스의 온라인 모니터링을 위한 효과적인 접근 방식이다. TMP에 나타난 바이오파울링 현상은 불규칙한 거동을 보이면서 지속적으로 증가하다가 막 세정 전 MBR 작동의 제어한계를 최종적으로 초과하기 때문에 바이오파울링 현상의 공정 변동성을 탐지하기 위해 CUSUM 기반의 파울링 관리도를 개발하였다.Fouling-cumulative sum (FCUSUM), a univariate monitoring technique specialized for membrane fouling analysis, was developed to propose a membrane cleaning warning rule as the final part of the proposed warning protocol (see Figure 2). FCUSUM is designed to monitor process variability of fouling events by integrating fouling prediction with the key mechanisms mentioned above. This pollution monitoring method was developed based on the idea of CUSUM charts. CUSUM is an extension of the Shewhart control chart and is an effective approach for online monitoring of processes that have the potential to go out of control (OC) over time and generate large movements in the overall sequence of sample points. Since the biofouling phenomenon shown in TMP continues to increase while showing irregular behavior and ultimately exceeds the control limit of MBR operation before membrane cleaning, a CUSUM-based fouling control chart was developed to detect the process variability of the biofouling phenomenon. .
FCUSUM은 생물학적 오염 진행의 물리적 변동성을 통계적 의미가 있는 것으로 해석하는 데 중점을 둔다. 도 7(a)는 오염물질 축적으로 인해 증가하는 TMP 진행을 통합한 FCUSUM 제어 차트를 보여준다. 기본적으로 FCUSUM은 수학식 9와 같이 25℃에서 보정된 TMP(TMPj,corr)에 의한 점도 효과를 고려하여 투과수(즉, Kj)를 모니터링 변수로 고려했다.FCUSUM focuses on interpreting the physical variability of biological contamination processes into statistical significance. Figure 7(a) shows the FCUSUM control chart incorporating the increasing TMP progression due to contaminant accumulation. Basically, FCUSUM considered permeate water (i.e., K j ) as a monitoring variable by considering the viscosity effect due to TMP (TMP j,corr ) corrected at 25°C as shown in Equation 9.
[수학식 9][Equation 9]
여기서 Kj는 투과수, J는 플럭스, TMPj,corr은 25℃로 보정된 TMP를 나타낸다. 생물 오손 예측 및 오염 메커니즘 식별 모델과 통합할 때 투과 변수는 절대 압력 제어 한계(즉, 45 kPa)이고 수학힉 10에서 투과성 벡터()로 통합된다. 는 지배적인 오염 메커니즘의 변화에 따른 막 오염 진행을 포괄적으로 나타낼 수 있고 FCUSUM은 오염 과정의 변동성을 민감하게 모니터링할 수 있기 때문이다.Here, K j represents the permeate, J represents the flux, and TMP j,corr represents the TMP corrected to 25°C. When integrated with the model for biofouling prediction and identification of fouling mechanisms, the permeability parameter is the absolute pressure control limit (i.e. 45 kPa) and the permeability vector in Math 10 ( ) are integrated into. This is because it can comprehensively represent the progress of membrane fouling due to changes in the dominant fouling mechanism, and FCUSUM can sensitively monitor the variability of the fouling process.
[수학식 10][Equation 10]
여기서 는 제어 한계까지의 투과수 값의 벡터를 나타내고, 는 예측된 투과수이며, tb, tI 및 tc는 완전, 중간 및 케이크 여과 차단 메커니즘의 시간 단계를 나타낸다. FCUSUM 통계는 수학식 11과 같이 각 경고 수준에서 시간별로 순차적으로 계산되었다. 여기서 μ0(수학식 12)는 IC(ARL0) 길이 내 'in control'(IC) 영역의 목표값을 의미하며, 완전 및 중간 차단 메커니즘 하에서 오염이 진행되는 것으로 가정한다. 오염 물질은 이러한 메커니즘에서 모공을 완전히 밀봉하지 않기 때문이다. Rv는 누적 편차를 통해 관리도의 민감도를 결정하는 기준 값이다. 이 기준값은 수학식 13에 의해 설정된다.here represents the vector of permeate values up to the control limit, is the predicted permeate, and t b , t I and t c represent the time steps of complete, intermediate and cake filtration cutoff mechanisms. FCUSUM statistics were calculated sequentially by time at each warning level, as shown in Equation 11. Here, μ 0 (Equation 12) means the target value of the 'in control' (IC) region within the IC (ARL0) length, and it is assumed that contamination proceeds under complete and intermediate blocking mechanisms. This is because contaminants do not completely seal the pores in this mechanism. R v is a standard value that determines the sensitivity of the control chart through cumulative deviation. This reference value is set by Equation 13.
[수학식 11][Equation 11]
[수학식 12][Equation 12]
[수학식 13][Equation 13]
여기서 는 j에서 경고 수준 l의 FCUSUM 통계를 나타내고, μ0은 '제어 중' 범위의 목표 값, δ는 표준 편차의 평균 변화를 감지하는 것으로 간주되며 σ0은 생물 오손 과정의 표준 편차이다.here represents the FCUSUM statistic for warning level l at j, μ0 is the target value in the 'under control' range, δ is considered to detect the mean change in standard deviation, and σ0 is the standard deviation of the biofouling process.
제안된 멤브레인 세정 경고 규칙은 도 7(b)에 시각화되어 있다. FCUSUM에 기반한 이 제안된 경고 규칙은 케이크 여과 차단 시작(1차 경고), 40kPa(2차 경고) 및 45kPa(최종 경고)의 다단계 구성으로 규제되었다. 첫 번째 경고 수준(l = 1)은 지배적인 오염 메커니즘이 OC 상태를 나타내는 완전 및 초기 차단에서 케이크 여과 메커니즘으로 변경되었음을 나타낸다. 1차 경고 한계값은 앞서 언급한 예측과 진단 결과에 기초하여 케이크 여과 단계의 초기값으로 할당되었다. 2차 및 최종 경고 수준(l = 2 및 f)에 따르면 45kPa(최종 경고 및 l = f)는 M-WWTP에서 화학 청소를 수행하기 위한 관리 한계이며 40kPa(2차 경고 및 l = 2)는 MBR 운영 및 폐수 품질을 저하시키는 임계 한계를 위반하기 전에 WWTP 실무자들에게 생물학적 오염 진행에 대한 보다 민감한 정보를 제공하기 위해 추가된 사전 통제 한계이다.The proposed membrane cleaning warning rule is visualized in Figure 7(b). This proposed warning rule based on FCUSUM was regulated in a multi-level configuration of cake filtration cut-off start (first warning), 40 kPa (second warning) and 45 kPa (final warning). The first warning level (l = 1) indicates that the dominant fouling mechanism has changed from complete and initial blocking, indicating OC conditions, to a cake filtration mechanism. The first warning limit value was assigned as the initial value for the cake filtration step based on the previously mentioned predictions and diagnostic results. According to the 2nd and final warning levels (l = 2 and f), 45 kPa (final warning and l = f) is the control limit for performing chemical cleaning in the M-WWTP, and 40 kPa (2nd warning and l = 2) is the control limit for performing chemical cleaning in the MBR. Preliminary control limits were added to provide WWTP practitioners with more sensitive information on the progression of biological contamination before critical limits are violated that degrade operations and wastewater quality.
막세정 경고 규칙의 다단계 구성을 기반으로 각 경고 수준에 대해 계산된 는 수학식 14와 같이 F+로 구성되어 결정 간격과 신속하게 비교할 수 있다. 여기서 FCUSUM 관리도의 관리한계는 수학식 15)와 같이 Hv로 정의된다. Fj +의 값이 Hv를 초과하면 프로세스가 통제 불능 상태로 간주되며 이는 μ0보다 이동 평균 값 μ1에 더 가깝다. 마지막으로 FCUSUM 차트는 OC 상태를 식별할 수 있고 멤브레인 예방 세척 경고 규칙은 수학식 16 및 17에서와 같이 MBR 실무자를 위한 지침으로 각 경고 한계를 초과하기 전에 남은 시간을 제공할 수 있다. 40kPa 및 45kPa 제한을 위반한 후 케이크 차단이 발생할 수 있으므로 경고 수준의 발생 순서는 상호 호환될 수 있다.Calculated for each alert level based on multi-level configuration of membrane cleaning alert rules. is composed of F + as shown in Equation 14 and can be quickly compared with the decision interval. Here, the control limit of the FCUSUM control chart is defined as H v as shown in Equation 15). The process is considered out of control if the value of F j + exceeds H v , which is closer to the moving average value μ 1 than μ 0 . Finally, FCUSUM charts can identify OC conditions and membrane preventive cleaning warning rules can provide the time remaining before each warning limit is exceeded as guidance for MBR practitioners, as shown in Equations 16 and 17. The sequence of occurrence of warning levels is interchangeable as cake blocking may occur after violation of the 40 kPa and 45 kPa limits.
[수학식 14][Equation 14]
[수학식 15][Equation 15]
[수학식 16][Equation 16]
[수학식 17][Equation 17]
여기서 F+는 각 경고 레벨(즉, F1,+ , F2,+ 및 Ff,+)에서 모든 FCUSUM 통계의 벡터를 나타내고, Hv는 결정 간격이고, tt l,r는 각 수준의 경고 한계를 초과하기 전의 잔여 시간, Tt r은 각 경고 한계(즉, Tt 1,r, Tt 2,r 및 Tt f,r )에서의 잔여 시간의 벡터이다.where F + represents the vector of all FCUSUM statistics at each alert level (i.e. F 1,+ , F 2,+ and F f,+ ), H v is the decision interval, and t t l,r is the The remaining time before exceeding the warning limit, T t r , is a vector of the remaining times at each warning limit (i.e. T t 1,r , T t 2,r and T t f,r ).
이하에서는 본 발명의 실시예에 따른 풀스케일 MBR 플랜트에 대한 DT-EWP와 관련된 결과에 대해 설명한다. 풀스케일 MBR 플랜트의 대규모 운전 간격으로 인해 158-191일(즉, 운전 간격 D3)에서 멤브레인 D의 운전 간격이 M-WWTP에 대한 대표적인 사례 연구로 선택되었다. Below, the results related to DT-EWP for a full-scale MBR plant according to an embodiment of the present invention will be described. Due to the large operating interval of full-scale MBR plants, the operating interval of membrane D at 158–191 days (i.e., operating interval D3) was selected as a representative case study for M-WWTP.
TMP는 기하급수적 성장을 느슨하게 따르지만 생물학적 오염의 추세와 진행 상황을 나타낼 수 있다. 그러나 이러한 TMP 프로파일은 기존의 통계적 모니터링 접근 방식과 쉽게 통합되지 않는다. 도 8은 각 MBR 트레인에서 측정된 TMP와 TMPcorr의 정규확률도를 나타낸다. 이 그림에서 Membrane A의 TMP는 일반적으로 뚱뚱한 꼬리를 가지면서 정규분포를 따를 수 있다. 이것은 막 A의 생물학적 오염이 기하급수적으로 증가하기 보다는 점진적으로 성장하는 경향이 있음을 의미한다. 그러나 멤브레인 B~D에 대한 다른 TMP 데이터는 TMP 데이터 포인트가 추세선 아래에 높게 분포되어 있는 오른쪽으로 치우친 플롯을 보여주었다. 이는 MBR 트레인 B에서 D가 장기간 낮은 TMP로 정상적으로 작동한 후 급격한 TMP 점프가 빈번하게 발생하여 바이오 파울링 현상이 기하급수적으로 증가했음을 나타낸다.TMP loosely follows exponential growth but can indicate trends and progress in biological contamination. However, these TMP profiles do not easily integrate with existing statistical monitoring approaches. Figure 8 shows the normal probability diagram of TMP and TMP corr measured in each MBR train. In this figure, the TMP of Membrane A generally follows a normal distribution with fat tails. This means that the biological fouling of membrane A tends to grow gradually rather than exponentially. However, other TMP data for membranes B-D showed a right-skewed plot with TMP data points distributed highly below the trend line. This indicates that after MBR trains B to D operated normally at low TMP for a long period of time, rapid TMP jumps frequently occurred, causing the biofouling phenomenon to increase exponentially.
통계적 모니터링 접근 방식의 구현은 이러한 예측할 수 없는 생물학적 오염 현상을 방지하기 위한 전제 조건이다. 그러나 기존의 통계적 모니터링 방법은 도 8과 같이 TMP가 따르지 않는 가우시안 분포를 기반으로 한다. 이러한 의미에서 SQC 차트에 적합한 변수를 찾기 위해 각 열차의 MBR 데이터셋에 대해 가설검증을 진행하여 DT-EWP로 개발할 예정이다. 두 가지 가설 검정인 Anderson-Darling 및 Kolmogorov-Smirnov 검정이 도입되었으며, 이는 시간 분포를 구별하기 위한 일반적인 비모수 방법론이다. 그런 다음 일정한 플럭스 내에서 TMP를 정규화하여 찾은 변수인 투과수는 95% 신뢰 수준에서 정규 분포를 따르는 것으로 확인되었다. 표 2는 전체 Dataset과 Operation Interval에 대한 MBR 트레인의 투과변수에 대한 가설검증 결과를 보여주고 있다. 두 가지 대표적인 검정의 경우 MBR 열차 투과수의 통계를 정규 분포를 따르는 변수로 받아들일 수 있다. 따라서 투과수는 SQC에 적합한 변수이며 다음 절에서 DT-EWP를 개발하는 데 활용한다.Implementation of statistical monitoring approaches is a prerequisite for preventing these unpredictable biological contamination phenomena. However, the existing statistical monitoring method is based on a Gaussian distribution that does not follow the TMP, as shown in Figure 8. In this sense, we plan to develop DT-EWP by conducting hypothesis testing on the MBR dataset of each train to find variables suitable for the SQC chart. Two hypothesis tests are introduced: Anderson-Darling and Kolmogorov-Smirnov tests, which are general non-parametric methodologies for distinguishing time distributions. Then, permeation water, a variable found by normalizing TMP within a certain flux, was confirmed to follow a normal distribution at the 95% confidence level. Table 2 shows the hypothesis testing results for the transmission variables of the MBR train for the entire dataset and operation interval. For two representative tests, the statistics of MBR train penetration can be accepted as a variable following a normal distribution. Therefore, permeate is a suitable variable for SQC and is used to develop DT-EWP in the next section.
[표 2] 95% 신뢰 수준에서 가설 검정에 의한 MBR 열차의 투과 변수에 대한 적합도[Table 2] Goodness of fit for transmission variables of MBR trains by hypothesis test at 95% confidence level
오염 메커니즘의 비선형 거동을 추적하는 최적화된 오염 물리적 모델을 찾는 것은 제어 한계까지 높은 정확도로 바이오파울링에 대한 재귀 온라인 예측 모델을 개발하는 데 필요하다. 도 9는 D3 동작구간에서 TMP 데이터에 따른 오염물리모델의 예측 성능을 나타낸 것이다. 물리적 모델의 매개변수(예: ln(TMP0) 및 kt)는 도 9(a)와 같이 최소 자승법을 사용하여 32일 동안 즉시 업데이트되었다.Finding an optimized fouling physical model that tracks the nonlinear behavior of fouling mechanisms is necessary to develop recursive online prediction models for biofouling with high accuracy up to the control limit. Figure 9 shows the prediction performance of the pollution physics model according to TMP data in the D3 operation section. The parameters of the physical model (e.g., ln(TMP 0 ) and k t ) were updated immediately for 32 days using the least squares method, as shown in Figure 9(a).
도 10은 오염물리모델의 최적화된 매개변수를 기반으로 제안된 생물오염 예측 모델의 예측 성능을 나타낸다. 제안된 재귀 온라인 예측 모델이 이동하는 TMP 값을 높은 정확도로 예측할 수 있음을 보여준다. 도 10(a)에서 보는 바와 같이 바이오파울링 예측 모델은 측정된 TMP 데이터의 전체적인 경향을 따를 수 있다. 이는 KF 접근법이 오염물리적 모델의 지도 하에 시간 기반 오염 특성을 재귀적으로 식별할 수 있음을 나타낸다. 또한 도 10(b)는 KF 기반 모델의 예측 성능이 물리적 모델보다 평균 11.14% 향상되었음을 보여준다. 또한 구간 D3에서 제안된 모델의 예측 성능은 94.3% 이상의 R2를 달성했다. 실제 MBR 플랜트에서는 예측 모델의 높은 예측 성능으로 모든 MBR 트레인의 정성적 운영을 달성할 수 있다. 이를 위해 KF 기반 생물 오손 예측 모델은 예측 범위(즉, 제어 한계에 도달할 때까지의 시간)를 추정하는 데 있어 허용 가능한 예측 성능을 보여준다.Figure 10 shows the prediction performance of the proposed biological pollution prediction model based on the optimized parameters of the pollution physics model. It shows that the proposed recursive online prediction model can predict moving TMP values with high accuracy. As shown in Figure 10(a), the biofouling prediction model can follow the overall trend of the measured TMP data. This indicates that the KF approach can recursively identify time-based pollution characteristics under the guidance of a pollution physics model. Additionally, Figure 10(b) shows that the prediction performance of the KF-based model is improved by an average of 11.14% over the physical model. Additionally, the prediction performance of the proposed model in section D3 achieved an R2 of over 94.3%. In an actual MBR plant, qualitative operation of all MBR trains can be achieved with the high prediction performance of the prediction model. To this end, the KF-based biofouling prediction model shows acceptable prediction performance in estimating the prediction horizon (i.e., the time until the control limit is reached).
D3의 경우와 더불어 제안된 예측 모델은 모든 연산 구간에서 우수한 예측 성능을 보였다. 표 3은 MBR 열차의 운행 구간별 생물 오손 예측 모델의 예측 성능을 요약한 것이다. 특히 제안된 예측 모델의 성능은 85.9% 이상의 R2에서 유지되었다. 평균적으로 Membrane D에 채택된 KF 기반 예측 모델은 우수한 모델 성능을 보였다. 또한 생물학적 오염 예측 모델의 예측 성능은 물리적 오염 모델에 비해 최대 17.5% 향상되었다. A2, C3, C4의 경우 개발된 예측모형에 대한 적합도가 80% 이상의 R2를 만족하지 못하므로 데이터셋의 불확실성으로 인해 이러한 연산구간을 DT-EWP에서 제외하였다. 제안된 예측 모델은 재귀적으로 활성화되어 즉시 업데이트된 오염 매개변수로 오염 진행을 예측하고 예측 성능을 견고하게 유지할 수 있다. 따라서 제안된 바이오파울링 예측 모델은 높은 정확도로 DT-EWP 개발을 위한 바이오파울링 진행 상황을 파악하는데 활용될 수 있다.In addition to the case of D3, the proposed prediction model showed excellent prediction performance in all calculation sections. Table 3 summarizes the prediction performance of the biofouling prediction model for each operating section of the MBR train. In particular, the performance of the proposed prediction model was maintained at an R2 of over 85.9%. On average, the KF-based prediction model adopted for Membrane D showed excellent model performance. Additionally, the prediction performance of the biological contamination prediction model was improved by up to 17.5% compared to the physical contamination model. In the case of A2, C3, and C4, the goodness of fit for the developed prediction model did not satisfy R 2 of more than 80%, so these calculation sections were excluded from DT-EWP due to the uncertainty of the dataset. The proposed prediction model can be activated recursively to predict pollution progress with immediately updated pollution parameters and maintain robust prediction performance. Therefore, the proposed biofouling prediction model can be used to determine the progress of biofouling for DT-EWP development with high accuracy.
[표 3] 제안된 바이오파울링 예측 모델의 동작 구간별 예측 성능을 물리적 오염 모델과 비교[Table 3] Comparison of prediction performance by operation section of the proposed biofouling prediction model with the physical pollution model
생물 오손 예측 모델의 수용 가능한 예측 성능은 실무자가 막 유지 관리를 위해 MBR 공장을 사전에 운영하는 데 지침을 제공할 수 있다. 제안된 예측 모델은 시간 기반 바이오파울링 특성을 재귀적으로 식별할 수 있기 때문에 TMP 점프, 케이크층 형성, 멤브레인의 다공성 감소와 같은 파울링 메커니즘에 의해 TMP 증가를 정확하게 예측할 수 있다. 예측 결과를 바탕으로 실무자는 통제 한계(즉, 45kPa)를 초과하기 전에 예측 지평선의 남은 시간을 추정하고, 오염 물질 축적 및 바이오 파울링 진행 지연을 완화하기 위해 플럭스를 줄이거나 공기 정련을 강화하기 위해 적시에 수행할 수 있다. 따라서 더 높은 예측 성능을 가진 제안된 생물 오손 예측 모델의 활용은 실무자가 멤브레인의 작동 간격을 연장하는 데 도움이 될 수 있다.The acceptable prediction performance of the biofouling prediction model can provide guidance to practitioners in proactively operating MBR plants for membrane maintenance. Since the proposed prediction model can recursively identify time-based biofouling characteristics, it can accurately predict TMP increase by fouling mechanisms such as TMP jump, cake layer formation, and membrane porosity reduction. Based on the forecast results, practitioners can estimate the remaining time of the forecast horizon before exceeding the control limit (i.e. 45 kPa) and reduce fluxes or enhance air scouring to mitigate pollutant accumulation and delays in biofouling progress. It can be done in a timely manner. Therefore, utilization of the proposed biofouling prediction model with higher prediction performance may help practitioners extend the operational interval of membranes.
데이터 기반 진단은 MBR 프로세스에서 생물 오손 현상에 대한 포괄적인 정보를 제공하는 유용하고 간단한 접근 방식이다. 이로써, 바이오파울링 예측 모델을 사용하여 측정 및 예측된 TMP 데이터를 기반으로 우세한 파울링 메커니즘을 재귀적으로 식별하기 위해 이러한 오염 메커니즘 식별 모델이 구현된다. 도 11은 D3 구간에서 지배적인 파울링 메커니즘을 규명한 결과를 나타낸다. 도 11(a)는 Hermia의 오염 메커니즘 모델을 사용하여 식별된 주요 오염 메커니즘의 결과를 보여준다. 이 그림은 메커니즘 모델이 95% 신뢰 구간으로 멤브레인 D의 생물 오손 현상을 식별할 수 있음을 보여주었다. 이는 오염 모델의 조합이 TMP 변동의 전반적인 거동을 따를 수 있음을 의미하지만 측정 요인이 교란된 TMP 변동은 모델에서 잘 포착되지 않는다. 따라서 Hermia의 오염 모델을 사용하여 제안된 식별 접근 방식은 지배적인 오염 메커니즘을 식별할 수 있다. 이 분석을 통해 지배되는 메커니즘을 재귀적으로 식별하고 생물 오손 진행의 특성을 온라인으로 진단하는 데 활용했다.Data-based diagnostics is a useful and simple approach that provides comprehensive information about biofouling phenomena in the MBR process. Hereby, this fouling mechanism identification model is implemented to recursively identify the dominant fouling mechanism based on measured and predicted TMP data using a biofouling prediction model. Figure 11 shows the results of identifying the dominant fouling mechanism in section D3. Figure 11(a) shows the results of the main contamination mechanisms identified using Hermia's contamination mechanism model. This figure showed that the mechanism model was able to identify the biofouling phenomenon of membrane D with a 95% confidence interval. This means that a combination of contamination models can follow the overall behavior of TMP fluctuations, but TMP fluctuations with perturbed measurement factors are not well captured by the model. Therefore, the proposed identification approach using Hermia's contamination model can identify the dominant contamination mechanisms. This analysis was used to recursively identify the governing mechanisms and to characterize the biofouling process online.
오염 과정에서 가장 설명 가능한 모델을 정의하기 위해 각 오염 메커니즘 모델의 매개변수를 GA 알고리즘을 사용하여 TMP 데이터와 모델 간의 차이를 최소화하도록 최적화했다. 도 11(b)는 TMP 데이터와 최적화된 메커니즘 모델 간의 오차 결과를 비교한 것이다. 오차를 비교하여 일정한 구간에서 오차가 최소인 오염모형을 우세한 오염모형으로 결정하였다. 이 결과로부터 도 11(b)와 같이 완전차단, 중간차단, 케이크여과의 순서로 지배적인 파울링 메카니즘이 변화하였다.To define the most explanatory model for the contamination process, the parameters of each contamination mechanism model were optimized to minimize the differences between the TMP data and the model using the GA algorithm. Figure 11(b) compares the error results between TMP data and the optimized mechanism model. By comparing the errors, the pollution model with the minimum error in a certain section was determined to be the dominant pollution model. From these results, the dominant fouling mechanism changed in the order of complete blocking, intermediate blocking, and cake filtration, as shown in Figure 11(b).
우선 D3구간에서 바이오파울링 과정의 초기 단계에서 완전한 차단이 지배적 메커니즘이다. 이 단계에서 TMP 프로파일은 막의 몇몇 기공에 대한 일부 오염물질 차단으로 인해 약간의 증가를 나타낸다. 또한, 파울링이 거의 진행되지 않았기 때문에 TMP의 변동이 이 기간의 주요 특징이다. 그럼에도 불구하고 이 구간에 걸쳐 최적화된 완전 차단 모델은 생물 오손 과정의 특성을 표시할 수 있다. 29일 후, TMP 프로파일은 생물학적 오염 과정이 가속화되어 갑자기 증가함을 나타낸다. 오염 모델의 데이터 기반 분석에서 중간 차단 메커니즘은 두 번째 단계(29-42일)에서 지배적인 현상이며 오염 물질이 멤브레인 기공에 축적되기 시작하면서 막의 가용 면적을 크게 감소시키는 것으로 진단할 수 있다. 따라서 이 단계에서 TMP 점프가 자주 발생하며 이는 지수 모델에 의해 포착된다. 이 현상은 경고 한계(즉, 40kPa)에 도달하기 10일 이상 지속되었다.First, complete blocking is the dominant mechanism in the early stages of the biofouling process in section D3. At this stage the TMP profile shows a slight increase due to blocking of some contaminants to some pores of the membrane. Additionally, since little fouling occurred, fluctuations in TMP were a key feature of this period. Nevertheless, a full blocking model optimized over this interval can characterize the biofouling process. After 29 days, the TMP profile shows an accelerated biological fouling process and a sudden increase. From the data-driven analysis of the fouling model, it can be diagnosed that the intermediate blocking mechanism is the dominant phenomenon in the second stage (days 29–42), where foulants begin to accumulate in the membrane pores, significantly reducing the available area of the membrane. Therefore, TMP jumps frequently occur at this stage and are captured by the exponential model. This phenomenon lasted for more than 10 days before the warning limit (i.e. 40 kPa) was reached.
두 번째 단계 이후 지배적인 오염 메커니즘은 케이크 여과 차단으로 변경되었다. 이 오염 메커니즘은 45kPa의 제어 한계를 초과할 때 주로 생물학적 오염 과정을 지배했다. 이 기간 동안 케이크 층이 형성되고 TMP가 점차 증가한다. 바이오파울링 현상의 과정에서 케이크층의 증착에 의해 오염물질이 막 표면을 완전히 덮었다. 종합적으로, DT-EWP는 주로 제어 한계 내에서의 오염 진행에 관심이 있으며, 주요 오염 메커니즘은 멤브레인 D에 대한 이 장기간 간격에서 갑작스러운 TMP 점프를 통한 중간 차단이다. 제안된 온라인 접근 방식은 오염 메커니즘의 식별은 생물학적 오염 진행에 관한 운영 지침을 제공할 수 있다.After the second stage the dominant fouling mechanism changed to cake filtration interception. This fouling mechanism mainly dominated the biological fouling process when the control limit of 45 kPa was exceeded. During this period, the cake layer is formed and the TMP gradually increases. During the biofouling phenomenon, contaminants completely covered the membrane surface due to the deposition of the cake layer. Overall, DT-EWP is primarily interested in the progression of fouling within control limits, and the main fouling mechanism is intermediate blocking through sudden TMP jumps at this long interval for membrane D. The proposed online approach allows identification of contamination mechanisms to provide operational guidance regarding biological contamination progression.
결정된 오염 메커니즘은 도 11(c)와 같은 시간적 패턴으로 배열될 수 있다. 시간 패턴의 그래픽 시각화에서 볼 수 있듯이 각 MBR 작업에서 예상되는 오염 메커니즘의 변화는 실무자에게 제공될 수 있다. 오염 메커니즘에 대해 제안된 식별 방법은 측정된 TMP 데이터 세트에서 온라인으로 재귀적으로 수행된다. 그런 다음 생물 오손 현상의 변화를 추적하는 데 사용할 수 있다. 도 12는 공정 간격 D3에 적용된 지배적인 오염 메커니즘의 온라인 식별에 대한 결과를 나타낸다. DT-EWP의 생물학적 오염 예측 모델의 신뢰할 수 있는 예측 성능에 따라 예측 범위를 포함하여 지배적인 오염 메커니즘을 진단할 수 있다. 이는 제안된 데이터 기반 진단이 GA에 의해 최적화된 매개변수에서 작동 시간에 걸쳐 가장 적합한 오염 모델을 개발하여 생물 오손 현상의 불규칙한 거동을 처리할 수 있음을 의미한다. 이 분석에서 작업자는 지배적인 오염 메커니즘의 시간적으로 변하는 특징을 얻을 수 있다. 그러면 생물 오손 현상에 대한 지도 기반 계획에 따라 본격적인 MBR 플랜트를 운영할 수 있다. 따라서 데이터 기반 생물 오손 진단은 오염 메커니즘의 특성에 대한 이해와 함께 MBR 플랜트의 지속 가능한 운영을 위한 실무자를 안내하는 데 활용될 수 있다.The determined contamination mechanisms can be arranged in a temporal pattern as shown in Figure 11(c). As can be seen in the graphical visualization of temporal patterns, the expected changes in contamination mechanisms in each MBR operation can be provided to practitioners. The proposed identification method for contamination mechanisms is performed recursively online on the measured TMP data set. It can then be used to track changes in biofouling events. Figure 12 shows the results for online identification of dominant fouling mechanisms applied to process interval D3. According to the reliable prediction performance of DT-EWP's biological contamination prediction model, the dominant contamination mechanism can be diagnosed, including the prediction range. This means that the proposed data-based diagnostics can handle the irregular behavior of biofouling phenomena by developing the most suitable contamination model over the operating time at the parameters optimized by GA. From this analysis, the operator can obtain temporally varying characteristics of the dominant contamination mechanisms. Then, a full-scale MBR plant can be operated according to a map-based plan for biofouling phenomena. Therefore, data-based biofouling diagnostics can be utilized to guide practitioners toward sustainable operation of MBR plants along with understanding of the nature of fouling mechanisms.
도 13은 FCUSUM 차트에 기반한 DT-EWP가 MBR 작업에서 멤브레인 세정 일정에 대한 의사 결정을 향상시키는 방법을 보여준다. 특히, 이 그림은 제안된 멤브레인 세척 경고 규칙의 다중 레벨 구성이 목표 이벤트 며칠 전에 경보를 생성하는 동시에 도 13(a)의 TMP 프로파일에서 볼 수 있는 바와 같이 바이오파울링 현상의 변화 추세를 추적하기 위해 재귀적으로 작동함을 보여준다. Membrane D의 D3 구간의 사례 연구로, 운전 장애(즉, 제어 한계 초과)를 방지하기 위한 다단계 구성의 대상 이벤트는 경고 한계(40kPa), 케이크 여과 개시 및 제어 한계(45kPa)는 각각 39일, 40일 및 45일에 발생한다. 그러면 FCUSUM은 한도 2일, 1일, 4일 전에 각 한도에 대해 경보를 발생시켜 결과적으로 제어 한도 위반을 방지할 수 있는 사전 예방 기회를 제공할 수 있다.Figure 13 shows how DT-EWP based on FCUSUM charts improves decision-making about membrane cleaning schedules in MBR operations. In particular, this figure shows that the multi-level configuration of the proposed membrane cleaning alert rules can generate alerts several days before the target event while simultaneously tracking the changing trend of the biofouling phenomenon, as seen in the TMP profile in Fig. 13(a). It shows that it works recursively. As a case study of the D3 section of Membrane D, the target event of the multi-stage configuration to prevent operation failure (i.e. exceeding the control limit) is the warning limit (40 kPa), cake filtration initiation and control limit (45 kPa) are 39 days and 40 days, respectively. Occurs on days 1 and 45. FCUSUM can then raise an alert for each limit 2, 1, or 4 days in advance of the limit, ultimately providing a proactive opportunity to prevent control limit violations.
경고 한계의 경우 도 13(b)와 같이 첫 번째 경고는 FCUSUM 통계 Ft +를 누적하여 생물 오손 진행을 추적하며, Ft +는 IC 상태의 평균값과의 편차 정도를 나타낸다. 이 사례 연구에서 IC 상태의 첫 번째 경고는 중간 차단 메커니즘에서 임박한 생물학적 오염 프로세스를 의미하며, 여기서 TMP 프로필은 멤브레인 오염에서 TMP 점프가 특징이다. TMP 점프는 본 발명의 사례 연구의 작업 구간에서 파울링 과정의 주요 특징으로 식별되며, 이는 FCUSUM의 컨트롤 차트 관점에서 통계적 이동으로 해석될 수 있는 TMP의 급격한 증가로 표현된다. 따라서 FCUSUM 방법은 급격한 TMP 점프가 발생하면 이러한 물리적 특성을 통계적 이동으로 변경하여 결정 구간 Hv를 초과하는 임계 순간을 감지한다. 따라서 DT-EWP의 첫 번째 경고는 생물학적 오염 과정이 실제로 경고 한계에 도달하기 이틀 전에 멤브레인의 TMP가 40kPa에 도달하려고 한다고 경고한다.For warning limits, as shown in Figure 13(b), the first warning tracks the progress of biofouling by accumulating FCUSUM statistics F t + , where F t + represents the degree of deviation from the average value of the IC state. In this case study, the first warning of the IC condition implies an impending biological fouling process in the intermediate blocking mechanism, where the TMP profile is characterized by a TMP jump from membrane fouling. TMP jumps are identified as the main feature of the fouling process in the working section of our case study, which is expressed as a sharp increase in TMP, which can be interpreted as a statistical shift in terms of FCUSUM's control chart. Therefore, the FCUSUM method changes these physical properties into statistical shifts when a sudden TMP jump occurs, detecting the critical moment that exceeds the decision interval H v . Therefore, the first warning in DT-EWP warns that the TMP of the membrane is about to reach 40 kPa, two days before the biological fouling process actually reaches the warning limit.
마찬가지로 DT-EWP는 생물 오손 현상이 케이크 형성으로 전환되는 것을 식별하고 도 13(c)와 같이 2차 경고 시스템을 통해 케이크 여과 시작까지 매우 정확하게 카운트다운한다. 또한 도 13(d)는 DT-EWP의 최종 경고가 관리 한계에 도달하기 4일 전에 관리 한계 경보를 생성하여 MBR 실무자가 막 세정를 사전에 준비할 수 있도록 함을 보여주었다. 이 다단계 경고 규칙은 앞서 언급한 바와 같이 생물 오손 예측 모델의 시작부터 DT-EWP 프로토콜이 시작되었을 때 활성화되었다. 바이오파울링 진행에 대한 재귀적 온라인 예측 결과에 따라 도 14와 같이 막 세정까지의 예상 가동 가능 시간을 온라인으로 추적할 수 있다. 관리 한계 전 시간은 TMP 점프로 인해 임계값 전 5일 전후로 크게 달라지므로 화학 물질 세척을 준비할 시간이 있다. 이러한 분석을 통해 DT-EWP는 생물 오손 현상의 불규칙한 거동에 민감하게 반응한 다음 제어 한계를 초과하기 전에 작업자에게 잔류 시간을 경고하여 예측 유지 보수를 달성할 수 있다. 따라서 제안된 데이터 기반 DT-EWP는 제어 한계를 위반하기 전에 예측 유지 보수를 사용하여 풀스케일 MBR 플랜트를 운영할 수 있게 하여 폐수 품질이 저하된다.Likewise, DT-EWP identifies the transition of biofouling events to cake formation and counts down with high accuracy to the start of cake filtration through a secondary warning system, as shown in Figure 13(c). Figure 13(d) also showed that the final warning from DT-EWP generates a control limit alert 4 days before the control limit is reached, allowing MBR practitioners to prepare membrane cleaning in advance. This multi-level alert rule was activated from the beginning of the biofouling prediction model when the DT-EWP protocol was launched, as previously mentioned. According to the results of the recursive online prediction of the biofouling progress, the expected operating time until membrane cleaning can be tracked online, as shown in Figure 14. The time before the control threshold varies greatly due to TMP jumps, around 5 days before the threshold, so there is time to prepare for chemical cleaning. This analysis allows DT-EWP to achieve predictive maintenance by reacting sensitively to the irregular behavior of biofouling phenomena and then warning operators of the residence time before control limits are exceeded. Therefore, the proposed data-driven DT-EWP allows full-scale MBR plants to be operated using predictive maintenance before control limits are violated, leading to degradation of wastewater quality.
표 4는 DT-EWP를 이용한 예측정비를 기반으로 M-WWTP의 각 MBR 트레인에서 막 운전의 개선점을 요약한 것이다. 이 결과는 M-WWTP의 전체 막 운영 효율이 평균 45.29% 증가할 수 있음을 나타낸다. 멤브레인 A의 작동 임계값은 58.03% 향상될 수 있다. 순차적으로 멤브레인 D, B, C의 가용 기간은 41.04%, 27.98%, 20.42% 향상되었다. 앞서 언급한 바와 같이, Membrane A의 막 세척은 biofouling 축적 현상을 고려하지 않고 가장 높게 수행되었다. 그러나 제안된 DT-EWP는 바이오파울링 현상을 예측, 진단 및 경고할 수 있으며 최종적으로 Membrane A의 작동 수명을 58.03%로 향상시킬 수 있다. 구체적으로 데이터 기반 DT-EWP는 A9의 경우 작동 시간을 -9.68% 단축해야 한다고 안내했다. A9의 TMP는 실제로 최종 경고일 이후에 관리 한계를 위반했다. 따라서 제안된 데이터 기반 오염 현상에 대한 DT-EWP는 막 분리 기술을 활용하는 다른 산업 영역에서 널리 구현될 수 있다. 이 사례 연구는 DT-EWP가 실무자에게 유용한 정보를 제공하는 동시에 MBR 프로세스의 예측 유지 관리를 통해 효율적인 화학 세정을 실행하는 MBR 운영을 지속하는 데 기여할 수 있는 잠재력이 있음을 보여준다.Table 4 summarizes the improvements in membrane operation in each MBR train of M-WWTP based on predictive maintenance using DT-EWP. These results indicate that the overall membrane operating efficiency of M-WWTP can be increased by an average of 45.29%. The operating threshold of membrane A can be improved by 58.03%. The usable periods of membranes D, B, and C were sequentially improved by 41.04%, 27.98%, and 20.42%. As previously mentioned, membrane cleaning of Membrane A was performed at the highest level without considering the biofouling accumulation phenomenon. However, the proposed DT-EWP can predict, diagnose, and warn biofouling phenomenon, and can finally improve the operating life of Membrane A to 58.03%. Specifically, the data-based DT-EWP indicated that the operating time should be reduced by -9.68% for the A9. A9's TMP actually violated its control limits after the final warning date. Therefore, the proposed data-driven DT-EWP for fouling phenomena can be widely implemented in other industrial areas utilizing membrane separation technology. This case study shows that DT-EWP has the potential to contribute to sustaining MBR operations running efficient chemical cleaning through predictive maintenance of the MBR process while providing useful information to practitioners.
[표 4] FCUSUM을 기반으로 제안된 막세정 경고 규칙을 사용하여 풀스케일 M-WWTP에서 모든 MBR 트레인의 막 작동 개선[Table 4] Improvement of membrane operation of all MBR trains in full-scale M-WWTP using proposed membrane cleaning warning rule based on FCUSUM
본 발명의 실시예에서는 MBR 시스템의 예측 유지보수를 위해 멤브레인 오염을 예측, 진단 및 모니터링하기 위한 DT-EWP를 다음과 같이 제안하였다. 1) 제안된 DT-EWP를 개발하기 위해 KF 기반 바이오파울링 예측 모델을 활용하여 R2 85.9% 이상의 높은 정확도로 바이오파울링 진행 상황을 재귀적으로 파악하였다. 2) 그런 다음 데이터 기반 지배적 오염 메커니즘 진단과 관련하여 운영자에게 유용한 정보를 제공하기 위해 예측 범위에 따라 주요 오염 메커니즘의 온라인 식별을 수행했다. 3) 바이오파울링 현상에 대한 데이터 기반 예측 분석에서 FCUSUM 차트를 기반으로 하는 멤브레인 세척 경고 규칙은 MBR 작업에서 멤브레인 세척 실무자의 의사 결정을 향상시키기 위해 설계되었다. In an embodiment of the present invention, DT-EWP for predicting, diagnosing, and monitoring membrane fouling for predictive maintenance of the MBR system was proposed as follows. 1) To develop the proposed DT-EWP, the KF-based biofouling prediction model was used to recursively identify the biofouling progress with a high accuracy of R 2 85.9% or higher. 2) Then, online identification of the dominant fouling mechanisms was performed according to the forecast range to provide useful information to operators regarding data-based dominant fouling mechanism diagnosis. 3) Membrane cleaning warning rules based on FCUSUM charts in data-driven predictive analysis of biofouling phenomena are designed to improve the decision-making of membrane cleaning practitioners in MBR operations.
본 발명의 사례 연구로 제안된 DT-EWP가 생물 오손 현상의 불규칙한 거동에 민감하게 반응하여 운영자에게 시스템이 제어 한계를 초과하기 전에 접근하고 있다. 특히, DT-EWP는 M-WWTP의 전체 멤브레인 운영을 평균 45.29%까지 개선할 수 있으며 멤브레인 세척의 예측 유지보수를 고려한다. 또한, 향후 작업을 위해 제안된 DT-EWP의 확장은 생물학적 오염 현상에 대한 복잡한 이해 없이도 멤브레인 여과 기술을 활용하는 다양한 산업 분야에서 오염 완화를 달성할 수 있는 유망한 디지털 솔루션이 될 수 있을 것으로 기대된다.The DT-EWP proposed as a case study of the present invention responds sensitively to the irregular behavior of biofouling phenomena, reaching operators before the system exceeds control limits. In particular, DT-EWP can improve the overall membrane operation of M-WWTP by an average of 45.29%, taking into account predictive maintenance of membrane cleaning. Additionally, for future work, the proposed extension of DT-EWP is expected to be a promising digital solution to achieve pollution mitigation in various industrial sectors utilizing membrane filtration technology without requiring a complex understanding of biological pollution phenomena.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.In addition, the apparatus and method described above are not limited to the configuration and method of the above-described embodiments, but all or part of each embodiment can be selectively combined so that various modifications can be made. It may be composed.
Claims (10)
TMP를 선형화하는 단계;
수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 MBR 막오염 예측방법.
As a method of predicting the progress of MBR membrane fouling,
linearizing the TMP;
An MBR membrane fouling prediction method comprising: generating a real-time membrane fouling prediction model using the Kalman filter using TMP data converted to a mathematical determinant.
데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계;
상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및
상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
As an early warning method for MBR membrane cleaning,
The first step of generating a real-time membrane contamination degree prediction model through data-based artificial intelligence machine learning;
A second step of identifying the membrane fouling mechanism based on the prediction model; and
An early warning method for MBR membrane cleaning based on a cumulative membrane fouling management chart, comprising a third step of analyzing the membrane fouling mechanism to determine the membrane cleaning cycle early.
상기 제1단계는,
TMP를 선형화하는 제1-1단계과, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 제1-2단계를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
According to clause 2,
The first step is,
MBR based on the membrane fouling cumulative sum management chart, which includes steps 1-1 of linearizing the TMP and steps 1-2 of generating a real-time membrane fouling prediction model using the Kalman filter using the TMP data converted to a mathematical determinant. Early warning method for membrane cleaning.
상기 제2단계는,
Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하는 제2-1단계와 및 상기 모델을 유전 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 제2-1단계를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
According to clause 3,
The second step is,
Step 2-1 of generating complete blocking, intermediate blocking, and cake filtration blocking models based on the Hermia fouling mechanism, and applying the models to a genetic algorithm. An early warning method for MBR membrane cleaning based on the membrane fouling cumulative sum management chart, which includes step 2-1 of diagnosing the dominant fouling mechanism by optimizing key parameters and fitting them to the TMP data of the relevant period.
상기 제3단계는,
막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
According to clause 4,
The third step is,
An early warning method for MBR membrane cleaning based on the membrane fouling cumulative sum control chart, which is characterized by early determination of the membrane cleaning cycle using the fouling cumulative sum (FCUSUM) chart.
데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 막오염예측부;
상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 막오염 메커니즘 진단부; 및
상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 막세정주기결정부;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
As an MBR membrane cleaning early warning system,
Membrane fouling prediction unit that generates a real-time membrane fouling degree prediction model through data-based artificial intelligence machine learning;
A membrane fouling mechanism diagnosis unit that determines the membrane fouling mechanism based on the prediction model; and
An early warning system for MBR membrane cleaning based on a membrane fouling cumulative sum management chart, comprising a membrane cleaning cycle determination unit that analyzes the membrane fouling mechanism and determines the membrane cleaning cycle early.
상기 막오염예측부는,
TMP를 선형화하고, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
According to clause 6,
The membrane contamination prediction unit,
An early warning system for MBR membrane cleaning based on the membrane fouling cumulative sum management chart, which linearizes the TMP and generates a real-time membrane fouling prediction model using the Kalman filter using the TMP data converted to a mathematical determinant.
상기 막오염 메커니즘 진단부는,
Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하고, 상기 모델을 유전 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
According to clause 7,
The membrane fouling mechanism diagnosis unit,
Based on the Hermia fouling mechanism, complete blocking, intermediate blocking, and cake filtration blocking models are created, and key parameters are optimized using the genetic algorithm. An early warning system for MBR membrane cleaning based on the membrane fouling cumulative sum management chart, which is characterized by diagnosing the dominant fouling mechanism by fitting it to the TMP data of the relevant period.
상기 막세정주기 결정부는,
막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
According to clause 8,
The membrane cleaning cycle determining unit,
An early warning system for MBR membrane cleaning based on the membrane fouling cumulative sum control chart, which is characterized by early determination of the membrane cleaning cycle using the fouling cumulative sum (FCUSUM) chart.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030739A KR20230134053A (en) | 2022-03-11 | 2022-03-11 | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030739A KR20230134053A (en) | 2022-03-11 | 2022-03-11 | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230134053A true KR20230134053A (en) | 2023-09-20 |
Family
ID=88191503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220030739A KR20230134053A (en) | 2022-03-11 | 2022-03-11 | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230134053A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117819706A (en) * | 2024-03-01 | 2024-04-05 | 广东新泰隆环保集团有限公司 | Biological rotating disc sewage treatment system for rural sewage treatment |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090078501A (en) | 2008-01-15 | 2009-07-20 | 부산대학교 산학협력단 | Apparatus and method for prediction of influent flow rate and influent components using artificial neural network |
| KR20150012649A (en) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | Membrane Process Operating Method |
| US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
| KR20210058231A (en) | 2019-11-13 | 2021-05-24 | 주식회사 와이뎁 | Wastewater treatment system using machine running on based bigdata |
-
2022
- 2022-03-11 KR KR1020220030739A patent/KR20230134053A/en not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090078501A (en) | 2008-01-15 | 2009-07-20 | 부산대학교 산학협력단 | Apparatus and method for prediction of influent flow rate and influent components using artificial neural network |
| KR20150012649A (en) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | Membrane Process Operating Method |
| US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
| KR20210058231A (en) | 2019-11-13 | 2021-05-24 | 주식회사 와이뎁 | Wastewater treatment system using machine running on based bigdata |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117819706A (en) * | 2024-03-01 | 2024-04-05 | 广东新泰隆环保集团有限公司 | Biological rotating disc sewage treatment system for rural sewage treatment |
| CN117819706B (en) * | 2024-03-01 | 2024-05-24 | 广东新泰隆环保集团有限公司 | Biological rotating disc sewage treatment system for rural sewage treatment |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Olsson et al. | Instrumentation, control and automation in wastewater–from London 1973 to Narbonne 2013 | |
| Roehl Jr et al. | Modeling fouling in a large RO system with artificial neural networks | |
| EP2731917B1 (en) | Method of maintaining water quality in a process stream | |
| JP4347864B2 (en) | Water treatment facility management system | |
| Ray et al. | A holistic review on how artificial intelligence has redefined water treatment and seawater desalination processes | |
| Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
| KR101995355B1 (en) | Prediction method of reverse osmosis process | |
| Heo et al. | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum chart: Application to a full-scale MBR plant | |
| CN112417765B (en) | Sewage treatment process fault detection method based on improved teacher-student network model | |
| KR20230134053A (en) | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum | |
| JP4964273B2 (en) | Water treatment facility management system | |
| KR102311657B1 (en) | Smart management system for wastewater treatment | |
| KR101963124B1 (en) | Remote diagnosing and managing system for small-scaled desalination equipment being separately installed in island area, and method for the same | |
| JP4718873B2 (en) | Control device for membrane filtration equipment | |
| JP2019153045A (en) | Data processor and data processing method | |
| Kaneko et al. | Physical and statistical model for predicting a transmembrane pressure jump for a membrane bioreactor | |
| Klanderman et al. | Case studies in real-time fault isolation in a decentralized wastewater treatment facility | |
| Sabia et al. | Online monitoring of MBR fouling by transmembrane pressure and permeability over a long-term experiment | |
| Dologlu et al. | Data driven identification of industrial reverse osmosis membrane process | |
| Aizenchtadt et al. | Quality control of wastewater treatment: a new approach | |
| Le | Mass balance-based experimental design and data reconciliation for wastewater treatment processes | |
| US20230072711A1 (en) | Apparatus and methods for cleaning reverse osmosis systems | |
| Newhart et al. | A holistic evaluation of multivariate statistical process monitoring in a biological and membrane treatment system | |
| Olsson et al. | Application of information technology to decision support in treatment plant operation | |
| Ren et al. | Multivariable identification of membrane fouling based on compacted cascade neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |